您是否使用自动编码器进行分类或重建？如果您正在预训练自动编码器进行分类，那么您可以使用通常的 logloss 来确定分类器的准确性。另一方面，如果您使用自动编码器进行重建，则没有分类，您可以使用 KL 散度（此处详细描述）来测量和跟踪您的重建和压缩性能。

1）。使用混淆矩阵将是解释和展示自动编码器准确性的最佳方式。

y_pred = Model.predict(X_test)将为测试向量提供预测类。

2）。下面的代码将创建混淆矩阵：

# Making the Confusion Matrix 
from sklearn.metrics import confusion_matrix 

cm = confusion_matrix(y_test, y_pred) 

cm 

假设我们有 5 个类，那么下面可能是一个说明性的混淆矩阵。

array([[ 109,    0,    4,    1,   87],
       [   0,  282,   13,    0,  140],
       [   0,    6,  474,    6,  757],
       [   3,    4,   50,  174,  358],
       [   1,    0,   29,    2, 2500]], dtype=int64)

在这里，诊断上的元素是 coorectly 预测的 (True Positives/TP)。“沿列”的关闭诊断元素是误报。（FP）“沿行”的非诊断元素是假阴性。(FN)

TP/(TP+FP)的精度指标可以用来预测模型的准确性。召回 TP/(TP+FN) 的共轭度量也是需要的。根据问题的性质，需要提出这两个指标中的一个/两个来阐明模型的性能。我们有真阳性与假阳性的 ROC 曲线提供了更好的见解。曲线离 y=x 越远，操作精度越好（即分类越正确，分类错误越少）。

有关二进制分类，请参见本文中的插图：https ://www.datascience.com/blog/fraud-detection-with-tensorflow

Keras 提供的打包准确度指标基于每个时期每个记录的预测类别和实际类别之间的欧几里德距离。相对于上述 confusuin 矩阵，它缺乏演示的便利性。看 ：