pytorch二元函数拟合

### 如何在 PyTorch 中评估模型拟合程度 为了全面了解PyTorch模型的性能，可以采用多种方法和指标来衡量其拟合情况。这些度量标准不仅有助于理解当前模型的表现，还能指导后续优化方向。 #### 1. 损失函数监控 损失值是训练过程中最直观的一个反馈信号，在每次迭代结束时都会被记录下来。通过观察训练集以及验证集上的平均损失变化趋势图，能够有效判断是否存在过拟合现象[^1]。 ```python import matplotlib.pyplot as plt def plot_loss(train_losses, val_losses): epochs = range(1, len(train_losses)+1) plt.plot(epochs, train_losses, 'bo', label='Training loss') plt.plot(epochs, val_losses, 'b', label='Validation loss') plt.title('Training and validation loss') plt.xlabel('Epochs') plt.ylabel('Loss') plt.legend() plt.show() ``` #### 2. 准确率 Accuracy 对于分类任务而言，准确率是最常用的评价方式之一。它表示预测正确的样本数占总测试数量的比例。然而需要注意的是当类别分布极度不平衡的情况下，高准确率可能掩盖了实际存在的问题[^3]。 ```python from sklearn.metrics import accuracy_score y_pred = model(X_val).argmax(dim=1) accuracy = accuracy_score(y_true=y_val.cpu().numpy(), y_pred=y_pred.cpu().numpy()) print(f'Accuracy: {accuracy:.4f}') ``` #### 3. 精确率 Precision、召回率 Recall 及 F1-Score 这三个指标主要用于解决二元或多类别的不平衡数据集上表现不佳的问题。精确率反映了所选出来的正例中有多少是真的；而召回率则关注于所有真实的正例中有多少被成功识别出来；F1-score则是两者的调和平均数，综合考虑两者的影响。 ```python from sklearn.metrics import precision_recall_fscore_support precision, recall, f1, _ = precision_recall_fscore_support( y_true=y_val.cpu().numpy(), y_pred=model(X_val).argmax(dim=1).cpu().numpy(), average='weighted' ) print(f'Precision: {precision:.4f}, Recall: {recall:.4f}, F1 Score: {f1:.4f}') ``` #### 4. ROC曲线与AUC面积 接收者操作特征（ROC）曲线及其下的面积（AUC），提供了另一种视角去分析二分类器的好坏。理想的分类器应当具有接近左上方角落的ROC曲线，并且对应的AUC越接近1越好[^2]。 ```python from sklearn.metrics import roc_curve, auc probs = torch.softmax(model(X_val), dim=-1)[:, 1].detach().cpu().numpy() fpr, tpr, thresholds = roc_curve(y_val.cpu().numpy(), probs) roc_auc = auc(fpr, tpr) plt.figure() lw = 2 plt.plot(fpr, tpr, color='darkorange', lw=lw, label=f'ROC curve (area = {roc_auc:.2f})') plt.plot([0, 1], [0, 1], color='navy', lw=lw, linestyle='--') plt.xlim([0.0, 1.0]) plt.ylim([0.0, 1.05]) plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.title('Receiver operating characteristic example') plt.legend(loc="lower right") plt.show() ``` 除了上述提到的技术手段外，还可以利用混淆矩阵进一步深入探讨不同类别之间的误判关系，这对于多标签分类场景尤为重要。另外，针对特定应用场景还可能存在其他更专业的评测体系，比如目标检测中的mAP等。