tf.keras.metrics.SensitivityAtSpecificity

Вычисляет наилучшую чувствительность при специфичности >= заданного значения.

Наследуется от: Metric

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

Sensitivity измеряет долю фактически положительных примеров, которые были правильно определены как положительные (tp / (tp + fn)). Specificity измеряет долю фактически отрицательных примеров, которые были правильно определены как отрицательные (tn / (tn + fp)).

Эта метрика создает четыре локальные переменные: 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 имеет значение None, веса по умолчанию равны 1. Используйте sample_weight со значением 0, чтобы маскировать значения.

Если задан параметр class_id, точность вычисляется с учетом только тех записей в пакете, для которых class_id превышает пороговое значение прогнозов, а затем вычисляется доля записей, для которых class_id действительно является правильной меткой.

Дополнительные сведения о специфичности и чувствительности см. здесь.

Аргументы
`specificity`	Скалярное значение в диапазоне `[0, 1]`.
`num_thresholds`	(Необязательно) По умолчанию — 200. Количество пороговых значений для достижения заданной специфичности.
`class_id`	(Необязательно) Целочисленный идентификатор класса, для которого нужны бинарные метрики. Должен находиться в полуоткрытом интервале `[0, num_classes)`, где `num_classes` — последняя размерность прогнозов.
`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 API compile():

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

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 или шагами, когда метрика оценивается 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 матрицы ошибок.

Аргументы
`y_true`	Истинные значения.
`y_pred`	Предсказанные значения.
`sample_weight`	Необязательные веса для каждого примера. По умолчанию — `1`. Может быть тензором ранга 0 или того же ранга, что и `y_true`, и должен допускать трансляцию к форме `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/SensitivityAtSpecificity