model.compile(loss=my_rmse, optimizer=optimizer)怎么添加R2

您可以尝试使用Keras的自定义评估指标来添加R2。以下是示例代码：

import keras.backend as K

def my_rmse(y_true, y_pred):
    return K.sqrt(K.mean(K.square(y_pred - y_true)))

def r_square(y_true, y_pred):
    SS_res =  K.sum(K.square(y_true - y_pred)) 
    SS_tot = K.sum(K.square(y_true - K.mean(y_true))) 
    return 1 - SS_res/(SS_tot + K.epsilon())

model.compile(loss=my_rmse, optimizer=optimizer, metrics=[r_square])

在上面的代码中，我们定义了两个自定义评估指标函数，一个是用于RMSE的`my_rmse`，另一个是用于R2的`r_square`。在`model.compile`中，我们将这两个评估指标都传递给了`metrics`参数。这样，在训练过程中，Keras将计算并记录这两个指标的值，并在每个时期结束时输出它们的平均值。