tf.contrib.metrics.streaming_sparse_precision_at_top_k

Вычисляет точность@k для предсказаний вверху-k относительно разреженных меток.

tf.contrib.metrics.streaming_sparse_precision_at_top_k(
    top_k_predictions, labels, 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. корректных предсказаний, элементов в top_k_predictions, которые находятся в соответствующей строке в labels) к положительным результатам (все top_k_predictions). Если class_id указано, мы вычисляем точность, учитывая только строки в пакете, для которых class_id находится в топ-k самых высоких 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_top_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 сумму (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, операции над множествами, применяемые к top_k_predictions и labels, вычисляют истинные положительные и ложные положительные результаты, взвешенные весами 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 для маскирования значений.

Аргументы
`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]. Последнее измерение содержит индексы top-k меток. [D1, ... DN] должно соответствовать `labels`.
`labels`	Целочисленный `int64` `Tensor` или `SparseTensor` с формой [D1, ... DN, num_labels], где N >= 1 и num_labels — количество целевых классов для соответствующего предсказания. Обычно N=1 и `labels` имеет форму [размер_пакета, num_labels]. [D1, ... DN] должно соответствовать `top_k_predictions`. Значения должны быть в диапазоне [0, num_classes), где num_classes — последнее измерение `predictions`. Значения за пределами этого диапазона игнорируются.
`class_id`	Целочисленный идентификатор класса, для которого мы хотим получить бинарные метрики. Он должен находиться в диапазоне [0, num_classes), где num_classes — последнее измерение `predictions`. Если `class_id` находится вне этого диапазона, метод возвращает NAN.
`weights`	`Tensor`, ранг которого равен либо 0, либо n-1, где n — ранг `labels`. Если n-1, он должен быть совместим с `labels` (т.е. все измерения должны быть либо `1`, либо совпадать с соответствующим измерением `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 имён для других зависимых операций.

Возвращаемое значение
`precision`	Скаляр `float64` `Tensor` со значением `true_positives` делённым на сумму `true_positives` и `false_positives`.
`update_op`	`Operation`, который увеличивает переменные `true_positives` и `false_positives` соответствующим образом, и значение которого соответствует `precision`.

Исключения
`ValueError`	Если `weights` не `None` и его форма не соответствует `predictions`, или если `metrics_collections` или `updates_collections` не являются списком или кортежем.
`ValueError`	Если `top_k_predictions` имеет ранг < 2.

© 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/streaming_sparse_precision_at_top_k