我有一些可以构建混淆矩阵的模型，尽管我需要一个自定义的损失函数，如下所示：
真阴性（TN）：我们预测不是，但事实并非如此。
误报（FP）：我们预测是，但事实并非如此。
我的损失函数应该是这样的：
TN
1 - _________
TN + FP
如何在 Keras 中实现相同的功能：这里有自定义损失函数的解释：StackOverFlow
虽然，我不确定相同的差异部分会是什么样子。
图片来源：http ://www.dataschool.io/simple-guide-to-confusion-matrix-terminology/
当您在训练期间使用上述解决方案时，它不起作用，因为这行会引发错误：
TN = np.logical_and(K.eval(y_true) == 0, K.eval(y_pred) == 0)
也许这可能是解决此问题的更好方法，您可以在每个 epoch 之后计算特异性并绘图！
def specificity(y_pred, y_true):
"""
param:
y_pred - Predicted labels
y_true - True labels
Returns:
Specificity score
"""
neg_y_true = 1 - y_true
neg_y_pred = 1 - y_pred
fp = K.sum(neg_y_true * y_pred)
tn = K.sum(neg_y_true * neg_y_pred)
specificity = tn / (tn + fp + K.epsilon())
return specificity
因此，您似乎想计算模型的特异性：
因此，您需要一个可以进行预测的函数，计算真阴性和假阳性的数量，然后使用上面的等式计算特异性。这个函数的主体是从这里借来的，简单地修改为两个类。
import numpy as np
import keras.backend as K
def compute_binary_specificity(y_pred, y_true):
"""Compute the confusion matrix for a set of predictions.
Parameters
----------
y_pred : predicted values for a batch if samples (must be binary: 0 or 1)
y_true : correct values for the set of samples used (must be binary: 0 or 1)
Returns
-------
out : the specificity
"""
check_binary(K.eval(y_true)) # must check that input values are 0 or 1
check_binary(K.eval(y_pred)) #
TN = np.logical_and(K.eval(y_true) == 0, K.eval(y_pred) == 0)
FP = np.logical_and(K.eval(y_true) == 0, K.eval(y_pred) == 1)
# as Keras Tensors
TN = K.sum(K.variable(TN))
FP = K.sum(K.variable(FP))
specificity = TN / (TN + FP + K.epsilon())
return specificity
编辑：此函数给出的结果相当于该函数的 numpy 版本，并且经过测试可用于 2d、3d、4d 和 5d 数组。
正如您添加的链接所暗示的那样，您还必须创建一个包装函数以将此自定义函数用作 Keras 中的损失函数：
def specificity_loss_wrapper():
"""A wrapper to create and return a function which computes the specificity loss, as (1 - specificity)
"""
# Define the function for your loss
def specificity_loss(y_true, y_pred):
return 1.0 - compute_binary_specificity(y_true, y_pred)
return specificity_loss # we return this function object
请注意，包装函数返回的特异性损失为. 这也可以在第一个函数中执行——这应该很重要，我只是将特异性的计算与损失的计算分开。
然后可以这样使用：
# Create a Keras model object as usual
model = my_model()
# ... (add layers etc)
# Create the loss function object using the wrapper function above
spec_loss = specificity_loss_wrapper()
# compile model using the return los function object
model.compile(loss=spec_loss)
# ... train model as usual
此外，您可以尝试导入 Tensorflow 本身并使用其内置的 tf.confusion_matrix operation。