tf.compat.v1.metrics.recall_at_k

Вычисляет recall@k предсказаний относительно разреженных меток.

tf.compat.v1.metrics.recall_at_k(
    labels,
    predictions,
    k,
    class_id=None,
    weights=None,
    metrics_collections=None,
    updates_collections=None,
    name=None
)

Если указан class_id, мы вычисляем полноту, учитывая только элементы пакета, для которых class_id присутствует в метке, и вычисляя долю элементов, для которых class_id входит в top-k predictions. Если class_id не указан, мы вычисляем полноту как среднюю частоту, с которой класс среди меток элемента пакета входит в top-k predictions.

sparse_recall_at_k создает две локальные переменные, true_positive_at_<k> и false_negative_at_<k>, которые используются для вычисления частоты recall_at_k. Эта частота в итоге возвращается как recall_at_<k>: идемпотентная операция, которая просто делит true_positive_at_<k> на общее значение (true_positive_at_<k> + false_negative_at_<k>).

Для оценки метрики на потоке данных функция создает операцию update_op, которая обновляет эти переменные и возвращает recall_at_<k>. Внутри операция top_k вычисляет Tensor, указывающую на верхние k predictions. Операции над множествами, примененные к top_k и labels, вычисляют истинно положительные и ложно отрицательные результаты с весами weights. Затем update_op увеличивает true_positive_at_<k> и false_negative_at_<k>, используя эти значения.

Если weights равно None, веса по умолчанию равны 1. Используйте веса 0 для маскирования значений.

Аргументы
`labels`	`int64` `Tensor` или `SparseTensor` с формой [D1, ... DN, num_labels] или [D1, ... DN], где во втором случае подразумевается num_labels=1. N >= 1, а num_labels — количество целевых классов для соответствующего предсказания. Обычно N=1 и `labels` имеет форму [batch_size, num_labels]. [D1, ... DN] должна соответствовать `predictions`. Значения должны находиться в диапазоне [0, num_classes), где num_classes — последняя размерность `predictions`. Значения вне этого диапазона всегда учитываются как `false_negative_at_<k>`.
`predictions`	Число с плавающей запятой `Tensor` с формой [D1, ... DN, num_classes], где N >= 1. Обычно N=1, а predictions имеет форму [batch size, num_classes]. Последняя размерность содержит значения логитов для каждого класса. [D1, ... DN] должна соответствовать `labels`.
`k`	Целое число k для метрики @k.
`class_id`	Целочисленный идентификатор класса, для которого требуются бинарные метрики. Он должен находиться в диапазоне [0, num_classes), где num_classes — последняя размерность `predictions`. Если class_id находится вне этого диапазона, метод возвращает NAN.
`weights`	`Tensor` с рангом 0 или n-1, где n — ранг `labels`. Во втором случае оно должно допускать широковещательное распространение до `labels` (то есть все размерности должны быть либо `1`, либо совпадать с соответствующими размерностями `labels`).
`metrics_collections`	Необязательный список коллекций, в которые следует добавлять значения.
`updates_collections`	Необязательный список коллекций, в которые следует добавлять обновления.
`name`	Имя новой операции обновления и пространство имен для других зависимых операций.

Возвращает
`recall`	Скалярный `float64` `Tensor` со значением `true_positives`, деленным на сумму `true_positives` и `false_negatives`.
`update_op`	`Operation`, которая соответствующим образом увеличивает переменные `true_positives` и `false_negatives` и значение которой совпадает с `recall`.

Вызывает исключения
`ValueError`	Если `weights` не является `None` и его форма не совпадает с `predictions`, либо если `metrics_collections` или `updates_collections` не являются списком или кортежем.
`RuntimeError`	Если включено немедленное выполнение.

© 2022 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 4.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/api_docs/python/tf/compat/v1/metrics/recall_at_k