我有一个不平衡的数据集（真标签比假标签大约 10 倍），因此使用 f_beta 分数作为模型性能的指标，如下所示：

def fbeta(beta):
    def f1(y_true, y_pred):
        def recall(y_true, y_pred):
            true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))
            possible_positives = K.sum(K.round(K.clip(y_true, 0, 1)))
            recall = true_positives / (possible_positives + K.epsilon())
            return recall

        def precision(y_true, y_pred):
            true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))
            predicted_positives = K.sum(K.round(K.clip(y_pred, 0, 1)))
            precision = true_positives / (predicted_positives + K.epsilon())
            return precision
        beta_squared = beta ** 2
        precision = precision(y_true, y_pred)
        recall = recall(y_true, y_pred)
        fbeta_score = (beta_squared + 1) * (precision * recall) / (beta_squared * precision + recall + K.epsilon())
        return fbeta_score
    return f1

运行我的模型，我得到以下输出。

Epoch 00001：val_f1 从 -inf 提高到 0.90196，将模型保存到 output\LSTM\weights\floods_weights.h5 Epoch 2/3
- 0s - loss: 0.4114 - f1: 0.8522 - val_loss: 0.4193 - val_f1: 0.9020 Epoch 00002: val_f1 did从 0.90196
时期 3/3
- 0s - 损失：0.3386 - f1：0.8867 - val_loss：0.3589 - val_f1：0.9020 时期 00003：val_f1 没有从 0.90196 改进
评估：
51/51 [========= =====================] - 0s 372us/步
最终精度：0.9019607305526733

但是，当使用交换的 y 标签（True->False，False->True）再次运行模型时，我得到完全相同的值，但不明白为什么 f 测量不太可能给出完全相同的结果。

在使用以下代码评估最终模型的精度和召回率时，我确实得到了不同的结果：0.6 vs 0.95788：

prediction = model.predict(data['X_test'], batch_size=64)
tp = 0
fp = 0
fn = 0
for y, p in zip(data['y_test'], np.argmax(prediction, axis=1)):
    y = y[0]
    if y == 1 and p == 1:
        tp += 1
    elif p == 1 and y == 0:
        fp += 1
    elif p == 0 and y == 1:
        fn += 1

precision = tp / (tp + fp)
recall = tp / (tp + fn)
print(2 * (precision * recall) / (precision + recall))

发生了什么？

编辑：

我正在编译模型：

beta = 1
model.compile(
    optimizer=Adam(lr=1e-3),
    loss='categorical_crossentropy',
    metrics=[fbeta(beta)]
)