Модуль: tf.keras.metrics

НЕ РЕДАКТИРОВАТЬ.

Этот файл сгенерирован автоматически. Не редактируйте его вручную, так как ваши изменения будут перезаписаны.

Классы

class AUC: Приближает AUC (площадь под кривой) ROC или PR кривых.

class Accuracy: Вычисляет, насколько часто предсказания равны меткам.

class BinaryAccuracy: Вычисляет, насколько часто предсказания соответствуют бинарным меткам.

class BinaryCrossentropy: Вычисляет метрику кроссэнтропии между метками и предсказаниями.

class BinaryIoU: Вычисляет метрику Intersection-Over-Union для класса 0 и/или 1.

class CategoricalAccuracy: Вычисляет, насколько часто предсказания соответствуют меткам в формате one-hot.

class CategoricalCrossentropy: Вычисляет метрику кроссэнтропии между метками и предсказаниями.

class CategoricalHinge: Вычисляет категориальную метрику хинге между y_true и y_pred.

class CosineSimilarity: Вычисляет косинусное сходство между метками и предсказаниями.

class F1Score: Вычисляет F-1 меру.

class FBetaScore: Вычисляет F-бета меру.

class FalseNegatives: Вычисляет количество ложных отрицательных результатов.

class FalsePositives: Вычисляет количество ложных положительных результатов.

class Hinge: Вычисляет метрику хинге между y_true и y_pred.

class IoU: Вычисляет метрику Intersection-Over-Union для определённых классов целевых переменных.

class KLDivergence: Вычисляет метрику расхождения Кульбака-Лейблера между y_true и y_pred.

class LogCoshError: Вычисляет логарифм гиперболического косинуса ошибки предсказания.

class Mean: Вычисляет (взвешенное) среднее заданных значений.

class MeanAbsoluteError: Вычисляет среднюю абсолютную ошибку между метками и предсказаниями.

class MeanAbsolutePercentageError: Вычисляет среднюю абсолютную процентную ошибку между y_true и y_pred.

class MeanIoU: Вычисляет среднюю метрику Intersection-Over-Union.

class MeanMetricWrapper: Оборачивает бессостоятельное метрическое значение функцией с метрикой Mean.

class MeanSquaredError: Вычисляет среднеквадратическую ошибку между y_true и y_pred.

class MeanSquaredLogarithmicError: Вычисляет среднеквадратическую логарифмическую ошибку между y_true и y_pred.

class Metric: Оборачивает логику и состояние метрики.

class OneHotIoU: Вычисляет метрику Intersection-Over-Union для меток в формате one-hot.

class OneHotMeanIoU: Вычисляет среднюю метрику Intersection-Over-Union для меток в формате one-hot.

class Poisson: Вычисляет метрику Пуассона между y_true и y_pred.

class Precision: Вычисляет точность предсказаний по отношению к меткам.

class PrecisionAtRecall: Вычисляет наилучшую точность, где полнота ≥ заданного значения.

class R2Score: Вычисляет R2 меру.

class Recall: Вычисляет полноту предсказаний по отношению к меткам.

class RecallAtPrecision: Вычисляет наилучшую полноту, где точность ≥ заданного значения.

class RootMeanSquaredError: Вычисляет метрику корня из средней квадратической ошибки между y_true и y_pred.

class SensitivityAtSpecificity: Вычисляет наилучшую чувствительность, где специфичность ≥ заданного значения.

class SparseCategoricalAccuracy: Вычисляет, насколько часто предсказания соответствуют целочисленным меткам.

class SparseCategoricalCrossentropy: Вычисляет метрику кроссэнтропии между метками и предсказаниями.

class SparseTopKCategoricalAccuracy: Вычисляет, насколько часто целочисленные целевые переменные находятся в первых K предсказаниях.

class SpecificityAtSensitivity: Вычисляет наилучшую специфичность, где чувствительность ≥ заданного значения.

class SquaredHinge: Вычисляет метрику хинге между y_true и y_pred.

class Sum: Вычисляет (взвешенную) сумму заданных значений.

class TopKCategoricalAccuracy: Вычисляет, насколько часто целевые переменные находятся в первых K предсказаниях.

class TrueNegatives: Вычисляет количество истинных отрицательных результатов.

class TruePositives: Вычисляет количество истинных положительных результатов.

Функции

KLD(...): Вычисляет потерю расхождения Кульбака-Лейблера между y_true и y_pred.

MAE(...): Вычисляет среднюю абсолютную ошибку между метками и предсказаниями.

MAPE(...): Вычисляет среднюю абсолютную процентную ошибку между y_true и y_pred.

MSE(...): Вычисляет среднеквадратическую ошибку между метками и предсказаниями.

MSLE(...): Вычисляет среднеквадратическую логарифмическую ошибку между y_true и y_pred.

binary_accuracy(...)

binary_crossentropy(...): Вычисляет потерю бинарной кроссэнтропии.

binary_focal_crossentropy(...): Вычисляет потерю бинарной фокальной кроссэнтропии.

categorical_accuracy(...)

categorical_crossentropy(...): Вычисляет потерю категориальной кроссэнтропии.

categorical_focal_crossentropy(...): Вычисляет потерю категориальной фокальной кроссэнтропии.

categorical_hinge(...): Вычисляет потерю категориальной хинге между y_true и y_pred.

deserialize(...): Десериализует сериализованный экземпляр класса/функции метрики.

get(...): Получает метрику Keras как экземпляр класса function/Metric.

hinge(...): Вычисляет потерю хинге между y_true и y_pred.

huber(...): Вычисляет значение потери Хубера.

kld(...): Вычисляет потерю расхождения Кульбака-Лейблера между y_true и y_pred.

kullback_leibler_divergence(...): Вычисляет потерю расхождения Кульбака-Лейблера между y_true и y_pred.

logcosh(...): Логарифм гиперболического косинуса ошибки предсказания.

mae(...): Вычисляет среднюю абсолютную ошибку между метками и предсказаниями.

mape(...): Вычисляет среднюю абсолютную процентную ошибку между y_true и y_pred.

mse(...): Вычисляет среднеквадратическую ошибку между метками и предсказаниями.

msle(...): Вычисляет среднеквадратическую логарифмическую ошибку между y_true и y_pred.

poisson(...): Вычисляет потерю Пуассона между y_true и y_pred.

serialize(...): Сериализует функцию метрики или экземпляр класса Metric.

sparse_categorical_accuracy(...)

sparse_categorical_crossentropy(...): Вычисляет потерю разреженной категориальной кроссэнтропии.

sparse_top_k_categorical_accuracy(...)

squared_hinge(...): Вычисляет потерю квадратичной хинге между y_true и y_pred.

top_k_categorical_accuracy(...)