如果存在二元分类问题，则标签为 0 和 1。 我知道预测是一个浮点数，因为 p 是属于该类的概率。
以下是交叉熵损失函数。
但是p不一定是0或者1，那么Keras是如何计算准确率的呢？ Keras 会自动将我们的预测四舍五入为 0 还是 1？
例如，在下面的代码中，准确率是 0.749，但目标是 0 和 1，预测是浮点数，不一定是 0.0 或 1.0。
>>> scores = model.evaluate(x=test_Features,
y=test_Label)
>>> scores[1]
0.74909090952439739
【问题讨论】：
标签： python machine-learning keras neural-network
你在这里有点困惑；你谈到准确性，同时显示损失的公式。
您展示的方程式确实是用于二元分类的cross-entropy loss formula（或简称为逻辑损失）。
y[i] 是标签，实际上是 0 或 1。
p[i] 是预测，通常解释为概率，是 [0,1] 中的实数（没有任何四舍五入）。
现在对于每个i，总和中只有一个术语会存在 - 第一个术语在y[i] = 0 时消失，同样第二个术语在y[i] = 1 时消失。
让我们看一些例子：
假设y[0] = 1，而我们已经预测p[0] = 0.99（即一个相当好的预测）。总和的第二项消失（自1 - y[0] = 0），而第一项变为log(0.99) = -0.01；因此，此样本预测 (i=0) 对整体损失的贡献为 0.01（由于总和前面的 - 符号）。
现在假设下一个样本的真实标签又是1，即y[1] = 1，但是这里我们对p[1] = 0.1做了一个相当差的预测；再次，第二项消失了，这个预测对整体损失的贡献现在是-log(0.1) = 2.3，这确实比我们的第一个良好预测要大，正如我们应该直观地预期的那样。
作为最后一个例子，我们假设y[2] = 0，我们在这里对p[2] = 0做了一个非常好的预测；因此，第一项消失，第二项变为
(1 - y[2]) * log(1 - p[2]) = 1 * log(1) = log(1) = 0
即正如我们直观预期的那样，我们没有造成任何损失，因为我们在这里对i=2 做出了非常好的预测。
逻辑损失公式只是计算各个预测的所有这些误差，将它们相加，然后除以它们的数量n。
不过，这是 loss（即您的 sn-p 中的 scores[0]），而不是 accuracy。
损失和准确性是不同的东西；粗略地说，准确度是我们从商业角度真正感兴趣的，而损失是学习算法（优化器）试图从数学角度最小化的目标函数em> 观点。更粗略地说，您可以将损失视为业务目标（准确性）到数学领域的“转换”，这是分类问题中所必需的转换（在回归问题中，通常损失和业务目标是相同，或者至少原则上可以相同，例如 RMSE)...
Keras 会自动将我们的预测四舍五入为 0 还是 1？
其实是的：为了计算准确率，我们在预测概率中隐式设置了一个阈值（在二元分类中通常为 0.5，但在数据高度不平衡的情况下可能会有所不同）；因此，在model.evaluate 中，如果p[i] > 0.5，Keras 实际上将我们的预测转换为 1，否则转换为 0。然后，通过简单地计算y_true==y_pred（正确预测）的情况并除以样本总数来计算准确率，得到[0,1]中的数字。
所以，总结一下：
【讨论】：