根据keras-team/keras/pull/9393/files，我一直使用精确度和召回率作为我的指标

敏感性和特异性是我想要优化的。每个时代我都会输出它：

class SensitivitySpecificityCallback(Callback):
    def on_epoch_end(self, epoch, logs=None):
        if epoch:
            x_test = self.validation_data[0]
            y_test = self.validation_data[1]
            predictions = self.model.predict(x_test)
            output_sensitivity_specificity(epoch, predictions, y_test)


def output_sensitivity_specificity(epoch, predictions, y_test):
    y_test = np.argmax(y_test, axis=-1)
    predictions = np.argmax(predictions, axis=-1)
    c = confusion_matrix(y_test, predictions)
    print('Confusion matrix:\n', c)
    print('[{:03d}] sensitivity'.format(epoch), c[0, 0] / (c[0, 1] + c[0, 0]))
    print('[{:03d}] specificity'.format(epoch), c[1, 1] / (c[1, 1] + c[1, 0]))

在我的第 203 个 epoch，我得到了一个很好的结果，然后一切都在下坡——方向错误！——从那里开始。

如何优化灵敏度和特异性？- 考虑更新权重，和/或开发自定义损失函数……