tf.contrib.metrics.sparse_recall_at_top_k

Вычисляет отображение@k лучших прогнозов по отношению к разреженным меткам.

Если class_id указано, мы вычисляем отображение, учитывая только записи в пакете, для которых class_id находится в метке, и вычисляем долю из них, для которых class_id находится в первых k predictions. Если class_id не указано, мы вычислим отображение как частота, с которой в среднем класс среди меток записи пакета находится в первых k predictions.

sparse_recall_at_top_k создает две локальные переменные, true_positive_at_<k> и false_negative_at_<k>, которые используются для вычисления частоты отображения@k. Эта частота в конечном итоге возвращается как recall_at_<k>: идемпотентная операция, которая просто делит true_positive_at_<k> на сумму (true_positive_at_<k> + false_negative_at_<k>).

Для оценки метрики по потоку данных функция создает операцию update_op, которая обновляет эти переменные и возвращает recall_at_<k>. Операции над множествами, примененные к top_k и labels, вычисляют истинно-положительные и ложно-отрицательные значения, взвешенные по weights. Затем update_op увеличивает true_positive_at_<k> и false_negative_at_<k> с использованием этих значений.

Если weights равно None, веса по умолчанию равны 1. Используйте веса 0, чтобы замаскировать значения.

Аргументы
`labels`	`int64` `Tensor` или `SparseTensor` с формой [D1, ... DN, num_labels], где N >= 1 и num_labels — количество целевых классов для связанного прогноза. Обычно N=1 и `labels` имеет форму [размер_пакета, num_labels]. [D1, ... DN] должно совпадать с `top_k_predictions`. Значения должны быть в диапазоне [0, num_classes), где num_classes — последняя размерность `predictions`. Значения вне этого диапазона всегда учитываются в `false_negative_at_<k>`.
`top_k_predictions`	Целое число `Tensor` с формой [D1, ... DN, k], где N >= 1. Обычно N=1 и top_k_predictions имеет форму [размер пакета, k]. Последняя размерность содержит индексы лучших k меток. [D1, ... DN] должно совпадать с `labels`.
`class_id`	Целочисленный идентификатор класса, для которого мы хотим двоичные метрики. Он должен быть в диапазоне [0, num_classes), где num_classes — последняя размерность `predictions`. Если class_id находится за пределами этого диапазона, метод возвращает NaN.
`weights`	`Tensor`, ранг которого равен либо 0, либо n-1, где n — ранг `labels`. Если последний, он должен быть транслируемым к `labels` (т. е., все размерности должны быть либо `1`, либо такими же, как соответствующая размерность `labels`).
`metrics_collections`	Необязательный список коллекций, в которые следует добавить значения.
`updates_collections`	Необязательный список коллекций, в которые следует добавить обновления.
`name`	Имя новой операции обновления и пространство имен для других зависимых операций.

Возвращаемые значения
`recall`	Скалярная `float64` `Tensor` со значением `true_positives` , делённым на сумму `true_positives` и `false_negatives`.
`update_op`	`Operation` , который должным образом увеличивает переменные `true_positives` и `false_negatives` и значение которого соответствует `recall`.

Исключения
`ValueError`	Если `weights` не `None` и его форма не соответствует `predictions`, или если `metrics_collections` или `updates_collections` не являются списком или кортежем.

© 2020 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 3.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/versions/r1.15/api_docs/python/tf/contrib/metrics/sparse_recall_at_top_k