評価指標（accuracy, maeなど）

Kerasにおける評価指標（metrics）とは、モデルの性能を測定するために使用される関数です。これらはモデルのコンパイル時に指定し、学習中および評価時に表示・記録されます。評価指標は損失関数とは異なり、最適化の対象ではなく、モデルの性能を視覚的・定量的に理解するためのものです。

---

評価指標の指定方法

python
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

---

主な評価指標（metrics）の種類と説明

1. accuracy（正解率）

• 分類問題で一般的に使用される指標。

• 正しく分類されたサンプル数の割合。

適用例:

• 二値分類（binary classification）

• 多クラス分類（categorical classification）

計算式（例: 多クラス分類）:

$$\text{Accuracy} = \frac{\text{正しく分類された数}}{\text{全体のサンプル数}}$$

---

2. binary_accuracy

• 二値分類タスクにおける正解率を測定します。

• 出力が 0 または 1 に丸められた後で比較されます。

---

3. categorical_accuracy

• 多クラス分類（one-hotエンコーディングされたラベル）の正解率。

---

4. sparse_categorical_accuracy

• 多クラス分類（整数ラベル形式）の正解率。

• ラベルが [2] のように整数形式の場合に使用。

---

5. mae（Mean Absolute Error：平均絶対誤差）

• 回帰問題でよく使われる評価指標。

• 予測値と実際の値の絶対値の平均を取ったもの。

計算式:

$$\text{MAE} = \frac{1}{n} \sum_{i=1}^{n} |\hat{y}_i – y_i|$$

---

6. mse（Mean Squared Error：平均二乗誤差）

• MAEと同様に回帰タスクで用いられるが、大きな誤差をより強くペナルティします。

---

7. Precision, Recall, F1-score

• カスタムで keras.metrics.Precision() などを用いて明示的に追加可能。

• 不均衡データの分類問題において精度（precision）、再現率（recall）、F1スコアは重要。

---

カスタム評価指標の定義

python
from keras import backend as K

def custom_metric(y_true, y_pred):
    return K.mean(K.square(y_pred - y_true), axis=-1)

model.compile(optimizer='adam',
              loss='mse',
              metrics=[custom_metric])

---

評価指標の選び方

---

補足

• 評価指標は学習の最適化には使用されません（それは損失関数が担当）。

• ただし、EarlyStopping や ModelCheckpoint の監視対象として利用されることがよくあります。

python
from keras.callbacks import EarlyStopping

early_stop = EarlyStopping(monitor='val_accuracy', patience=3)