tf.contrib.metrics.streaming_sparse_precision_at_k

Вычисляет точность@k предсказаний по отношению к разреженным меткам.

tf.contrib.metrics.streaming_sparse_precision_at_k(
    predictions, labels, k, class_id=None, weights=None, metrics_collections=None,
    updates_collections=None, name=None
)

Если class_id не указано, мы вычисляем точность как отношение истинных положительных результатов (т. е. правильных предсказаний, элементов в верхней k наибольших predictions, которые найдены в соответствующей строке в labels) к положительным результатам (все верхние k predictions). Если class_id указано, мы вычисляем точность, рассматривая только строки в пакете, для которых class_id находится в верхней k наибольших predictions, и вычисляем долю таких строк, для которых class_id находится в соответствующей строке в labels.

Ожидается, что точность будет уменьшаться по мере увеличения k.

streaming_sparse_precision_at_k создаёт две локальные переменные, true_positive_at_<k> и false_positive_at_<k>, которые используются для вычисления частоты точности@k. Эта частота в конечном итоге возвращается как precision_at_<k>: идемпотентная операция, которая просто делит true_positive_at_<k> на общее число (true_positive_at_<k> + false_positive_at_<k>).

Для оценки метрики по потоку данных функция создаёт операцию update_op, которая обновляет эти переменные и возвращает precision_at_<k>. Внутренне операция top_k вычисляет операцию Tensor, указывающую на верхние k predictions. Операции над множествами, применяемые к top_k и labels, вычисляют истинные положительные и ложные положительные результаты, взвешенные по weights. Затем update_op увеличивает true_positive_at_<k> и false_positive_at_<k> с использованием этих значений.

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