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 блокнотах

Используется в учебных пособиях
Классификация на несбалансированных данных Эффективное с точки зрения клиентов обучение больших моделей с помощью `federated_select` и разреженной агрегации

Метрика создаёт две локальные переменные, true_positives и false_positives, которые используются для вычисления точности. Это значение в конечном итоге 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 sample_weight значения 0 для маскирования значений.

Если top_k задано, мы вычислим точность как частоту, с которой в среднем класс среди класса среди k-лучших классов с самыми высокими предсказанными значениями записи пакета верен и может быть найден в метке для этой записи.

Если задано class_id, мы вычислим точность, рассматривая только записи в пакете, для которых class_id выше порога и/или входит в топ-k самых высоких предсказаний, и вычислим долю среди них, для которых class_id действительно является правильной меткой.

Аргументы
`thresholds`	(Необязательно) Значение с плавающей точкой или список/кортеж Python значений порога с плавающей точкой в `[0, 1]`. Порог сравнивается со значениями прогнозов, чтобы определить истинность прогнозов (т.е., выше порога - это `True`, ниже - `False`). Если используется функция потерь, которая устанавливает `from_logits=True` (т.е. к прогнозам не применяется сигмоида), `thresholds` следует установить в 0. Для каждого значения порога генерируется одно значение метрики. Если ни `thresholds`, ни `top_k` не заданы, то по умолчанию вычисляется точность с `thresholds=0.5`.
`top_k`	(Необязательно) По умолчанию не задано. Целое значение, определяющее топ-k предсказаний для учёта при вычислении точности.
`class_id`	(Необязательно) Целочисленный идентификатор класса, для которого мы хотим получить бинарные метрики. Он должен быть в полуоткрытом интервале `[0, num_classes)`, где `num_classes` - это последнее измерение прогнозов.
`name`	(Необязательно) Имя строкового 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 с 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`

Просмотреть исходный код

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

`add_weight`

Просмотреть исходный код

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

`from_config`

Просмотреть исходный код

@classmethod
from_config(
    config
)

`get_config`

Просмотреть исходный код

get_config()

Возвращает сериализуемую конфигурацию метрики.

`reset_state`

Просмотреть исходный код

reset_state()

Сбрасывает все переменные состояния метрики.

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

`result`

Просмотреть исходный код

result()

Вычисляет текущее значение метрики.

Возвращаемое значение
Скалярный тензор или словарь скалярных тензоров.

`stateless_reset_state`

Просмотреть исходный код

stateless_reset_state()

`stateless_result`

Просмотреть исходный код

stateless_result(
    metric_variables
)

`stateless_update_state`

Просмотреть исходный код

stateless_update_state(
    metric_variables, *args, **kwargs
)

`update_state`

Просмотреть исходный код

update_state(
    y_true, y_pred, sample_weight=None
)

Накапливает статистику истинных положительных и ложных положительных результатов.

Аргументы
`y_true`	Значения целевых данных с теми же измерениями, что и `y_pred`. Будут преобразованы к типу `bool`.
`y_pred`	Предсказанные значения. Каждый элемент должен быть в диапазоне `[0, 1]`.
`sample_weight`	Необязательное взвешивание каждого примера. По умолчанию равно `1`. Может быть тензором, ранг которого равен 0 или совпадает с рангом `y_true`, и должен быть совместим с трансляцией с `y_true`.

`call`

Просмотреть исходный код

__call__(
    *args, **kwargs
)

Вызов self как функции.

© 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