tf.keras.metrics.SensitivityAtSpecificity

Вычисляет наилучшую чувствительность, где специфичность ≥ заданное значение.

Унаследованно от: Metric

tf.keras.metrics.SensitivityAtSpecificity(
    specificity, num_thresholds=200, class_id=None, name=None, dtype=None
)

Sensitivity измеряет долю фактических положительных значений, которые правильно идентифицированы как таковые (tp / (tp + fn)). Specificity измеряет долю фактических отрицательных значений, которые правильно идентифицированы как таковые (tn / (tn + fp)).

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

Если sample_weight является None, веса по умолчанию равны 1. Используйте sample_weight 0 для маскирования значений.

Если class_id указано, мы вычисляем точность, учитывая только записи в наборе, для которых class_id превышает порог предсказаний, и вычисляя долю из них, для которых class_id на самом деле является правильной меткой.

Дополнительную информацию о специфичности и чувствительности см. здесь.

Аргументы
`specificity`	Скалярное значение в диапазоне `[0, 1]`.
`num_thresholds`	(Необязательно) По умолчанию 200. Количество пороговых значений для соответствия заданной специфичности.
`class_id`	(Необязательно) Целочисленный идентификатор класса, для которого требуются двоичные метрики. Он должен находиться в полуоткрытом интервале `[0, num_classes)`, где `num_classes` является последним измерением предсказаний.
`name`	(Необязательно) Строковое имя экземпляра метрики.
`dtype`	(Необязательно) Тип данных результата метрики.

Пример:

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

m.reset_state()
m.update_state([0, 0, 0, 1, 1], [0, 0.3, 0.8, 0.3, 0.8],
               sample_weight=[1, 1, 2, 2, 1])
m.result()
0.333333

Использование с compile() API:

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

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()

Сбросить все переменные состояния метрики.

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

`result`

Просмотреть исходный код

result()

Вычислить 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 матрицы неточностей.

Аргументы
`y_true`	Значения фактических данных.
`y_pred`	Значения предсказанных данных.
`sample_weight`	Необязательное взвешивание каждого примера. По умолчанию `1`. Может быть тензором, ранг которого равен либо 0, либо равен рангу `y_true`, и должен быть совместим по трансляции с `y_true`.

`call`

Просмотреть исходный код

__call__(
    *args, **kwargs
)

Вызов self в качестве 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/SensitivityAtSpecificity