tf.keras.metrics.RecallAtPrecision

Вычисляет наилучшее значение полноты при точности >= заданного значения.

Наследуется от: Metric

tf.keras.metrics.RecallAtPrecision(
    precision, num_thresholds=200, class_id=None, name=None, dtype=None
)

Для заданного распределения баллов-меток требуемая точность может быть недостижима, в этом случае возвращается 0.0 в качестве полноты.

Этот метрический показатель создаёт четыре локальных переменные, true_positives, true_negatives, false_positives и false_negatives, которые используются для вычисления полноты при заданной точности. Порог для заданного значения точности вычисляется и используется для оценки соответствующей полноты.

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

Если class_id указано, мы вычисляем точность, учитывая только записи в пакете, для которых class_id выше порога предсказаний, и вычисляя долю из них, для которых class_id действительно является правильной меткой.

Аргументы
`precision`	Скалярное значение в диапазоне `[0, 1]`.
`num_thresholds`	(Необязательно) По умолчанию 200. Количество порогов, используемых для соответствия заданной точности.
`class_id`	(Необязательно) Целочисленный идентификатор класса, для которого нам нужны бинарные метрики. Он должен быть в полуоткрытом интервале `[0, num_classes)`, где `num_classes` - это последнее измерение предсказаний.
`name`	(Необязательно) Имя строки экземпляра метрики.
`dtype`	(Необязательно) Тип данных результата метрики.

Пример:

m = keras.metrics.RecallAtPrecision(0.8)
m.update_state([0, 0, 1, 1], [0, 0.5, 0.3, 0.9])
m.result()
0.5

m.reset_state()
m.update_state([0, 0, 1, 1], [0, 0.5, 0.3, 0.9],
               sample_weight=[1, 0, 0, 1])
m.result()
1.0

Использование с API compile():

model.compile(
    optimizer='sgd',
    loss='binary_crossentropy',
    metrics=[keras.metrics.RecallAtPrecision(precision=0.8)])

Атрибуты
`dtype`
`variables`

Методы

`add_variable`

Просмотр исходного кода

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

`add_weight`

Просмотр исходного кода

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

`from_config`

Просмотр исходного кода

@classmethod
from_config(
    config
)

`get_config`

Просмотр исходного кода

get_config()

Возвращает сериализуемую конфигурацию метрики.

`reset_state`

Просмотр исходного кода

reset_state()

Сброс всех переменных состояния метрики.

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

`result`

Просмотр исходного кода

result()

Вычисление текущего значения метрики.

Возвращаемые значения
Скалярный тензор или словарь скалярных тензоров.

`stateless_reset_state`

Просмотр исходного кода

stateless_reset_state()

`stateless_result`

Просмотр исходного кода

stateless_result(
    metric_variables
)

`stateless_update_state`

Просмотр исходного кода

stateless_update_state(
    metric_variables, *args, **kwargs
)

`update_state`

Просмотр исходного кода

update_state(
    y_true, y_pred, sample_weight=None
)

Накапливает статистику матрицы неточностей.

Аргументы
`y_true`	Значения фактической метки.
`y_pred`	Значения предсказанных меток.
`sample_weight`	Необязательное взвешивание каждого примера. По умолчанию `1`. Может быть тензором, ранг которого равен либо 0, либо тому же рангу, что и у `y_true`, и должен быть совместим по трансляции с `y_true`.

`call`

Просмотр исходного кода

__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/RecallAtPrecision