tf.keras.metrics.Precision

Вычисляет точность предсказаний относительно меток.

Наследуется от: Metric

tf.keras.metrics.Precision(
    thresholds=None, top_k=None, class_id=None, name=None, dtype=None
)

Используется в ноутбуках

Используется в учебных материалах
Классификация несбалансированных данных Эффективное с точки зрения клиента федеративное обучение больших моделей с помощью `federated_select` и разреженной агрегации

Метрика создает две локальные переменные: true_positives и false_positives, которые используются для вычисления точности. В конечном итоге это значение возвращается как precision — идемпотентная операция, которая просто делит true_positives на сумму true_positives и false_positives.

Если sample_weight равно None, веса по умолчанию равны 1. Используйте значение sample_weight, равное 0, чтобы маскировать значения.

Если задано top_k, точность вычисляется как средняя доля случаев, когда класс из top-k классов с наибольшими предсказанными значениями для элемента пакета является правильным и присутствует в метке этого элемента.

Если задано class_id, точность вычисляется только по тем элементам пакета, для которых class_id превышает порог и/или входит в top-k наибольших предсказаний, и представляет собой долю таких элементов, для которых class_id действительно является правильной меткой.

Аргументы
`thresholds`	(Необязательно) Число с плавающей точкой или список/кортеж Python со значениями порогов типа float в `[0, 1]`. Порог сравнивается со значениями предсказаний, чтобы определить истинность предсказаний (то есть значения выше порога считаются `True`, а ниже — `False`). Если используется функция потерь, для которой задано `from_logits=True` (то есть к предсказаниям не применяется сигмоида), значение `thresholds` следует установить равным 0. Для каждого значения порога создается отдельное значение метрики. Если не заданы ни `thresholds`, ни `top_k`, по умолчанию точность вычисляется с `thresholds=0.5`.
`top_k`	(Необязательно) По умолчанию не задано. Целочисленное значение, определяющее количество наибольших предсказаний, учитываемых при вычислении точности.
`class_id`	(Необязательно) Целочисленный идентификатор класса, для которого нужны бинарные метрики. Значение должно принадлежать полуоткрытому интервалу `[0, num_classes)`, где `num_classes` — последняя размерность предсказаний.
`name`	(Необязательно) Строковое имя экземпляра метрики.
`dtype`	(Необязательно) Тип данных результата метрики.

Пример:

m = keras.metrics.Precision()
m.update_state([0, 1, 1, 1], [1, 0, 1, 1])
m.result()
0.6666667

m.reset_state()
m.update_state([0, 1, 1, 1], [1, 0, 1, 1], sample_weight=[0, 0, 1, 0])
m.result()
1.0

# With top_k=2, it will calculate precision over y_true[:2]
# and y_pred[:2]
m = keras.metrics.Precision(top_k=2)
m.update_state([0, 0, 1, 1], [1, 1, 1, 1])
m.result()
0.0

# With top_k=4, it will calculate precision over y_true[:4]
# and y_pred[:4]
m = keras.metrics.Precision(top_k=4)
m.update_state([0, 0, 1, 1], [1, 1, 1, 1])
m.result()
0.5

Использование с API compile():

model.compile(optimizer='sgd',
              loss='binary_crossentropy',
              metrics=[keras.metrics.Precision()])

Использование с функцией потерь, в которой задано from_logits=True:

model.compile(optimizer='adam',
              loss=keras.losses.BinaryCrossentropy(from_logits=True),
              metrics=[keras.metrics.Precision(thresholds=0)])

Атрибуты
`dtype`
`variables`

Методы

`add_variable`

Посмотреть исходный код

add_variable(
    shape, initializer, dtype=None, aggregation='sum', name=None
)

`add_weight`

Посмотреть исходный код

add_weight(
    shape=(), initializer=None, dtype=None, name=None
)

`from_config`

Посмотреть исходный код

@classmethod
from_config(
    config
)

`get_config`

Посмотреть исходный код

get_config()

Возвращает сериализуемую конфигурацию метрики.

`reset_state`

Посмотреть исходный код

reset_state()

Сбрасывает все переменные состояния метрики.

Эта функция вызывается между эпохами/шагами, когда метрика вычисляется во время обучения.

`result`

Посмотреть исходный код

result()

Вычисляет текущее значение метрики.

Возвращает
Скалярный тензор или словарь скалярных тензоров.

`stateless_reset_state`

Посмотреть исходный код

stateless_reset_state()

`stateless_result`

Посмотреть исходный код

stateless_result(
    metric_variables
)

`stateless_update_state`

Посмотреть исходный код

stateless_update_state(
    metric_variables, *args, **kwargs
)

`update_state`

Посмотреть исходный код

update_state(
    y_true, y_pred, sample_weight=None
)

Накапливает статистику истинно положительных и ложноположительных результатов.

Аргументы
`y_true`	Эталонные значения с размерностями, совпадающими с размерностями `y_pred`. Будут приведены к типу `bool`.
`y_pred`	Предсказанные значения. Каждый элемент должен принадлежать диапазону `[0, 1]`.
`sample_weight`	Необязательный вес каждого примера. По умолчанию — `1`. Может быть тензором с рангом 0 или тем же рангом, что и `y_true`, и должен поддерживать широковещательное преобразование к `y_true`.

`call`

Посмотреть исходный код

__call__(
    *args, **kwargs
)

Вызывает self как функцию.

© 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/keras/metrics/Precision