tf.keras.metrics.Precision
| Просмотреть исходный код на GitHub |
Вычисляет точность предсказаний относительно меток.
Наследуется от: Metric
tf.keras.metrics.Precision(
thresholds=None, top_k=None, class_id=None, name=None, dtype=None
)
Например, если y_true — [0, 1, 1, 1] и y_pred — [1, 0, 1, 1], то значение точности составляет 2/(2+1), т. е. 0,66. Если веса заданы как [0, 0, 1, 0], то значение точности будет 1.
Метрика создаёт две локальные переменные, true_positives и false_positives, которые используются для вычисления точности. Это значение в конечном итоге возвращается как precision, идемпотентная операция, которая просто делит true_positives на сумму true_positives и false_positives.
Если sample_weight — None, веса по умолчанию равны 1. Используйте значения весов 0 для маскирования значений.
Если top_k задано, мы вычислим точность как частоту, с которой в среднем класс среди K лучших классов с наивысшими предсказанными значениями записи пакета верен и находится в метке для этой записи.
Если class_id задано, мы вычисляем точность, учитывая только записи в пакете, для которых class_id выше порога и/или входят в K лучших предсказаний, и вычисляем долю таких записей, для которых class_id фактически является верной меткой.
Использование:
m = tf.keras.metrics.Precision()
m.update_state([0, 1, 1, 1], [1, 0, 1, 1])
print('Final result: ', m.result().numpy()) # Final result: 0.66
Использование с API tf.keras:
model = tf.keras.Model(inputs, outputs)
model.compile('sgd', loss='mse', metrics=[tf.keras.metrics.Precision()])
| Аргументы | |
|---|---|
thresholds | (Необязательно) Значение с плавающей запятой или список/кортеж python значений порогов плавающей запятой в диапазоне [0, 1]. Порог сравнивается со значениями предсказания для определения истинности предсказаний (т.е., выше порога — true, ниже — false). Одно значение метрики генерируется для каждого значения порога. Если ни пороги, ни top_k не заданы, по умолчанию вычисляется точность с thresholds=0.5. |
top_k | (Необязательно) По умолчанию не задано. Целочисленное значение, определяющее количество лучших предсказаний (top-k), которые следует учитывать при вычислении точности. |
class_id | (Необязательно) Целочисленный идентификатор класса, для которого требуются бинарные метрики. Он должен находиться в полуоткрытом интервале [0, num_classes), где num_classes — последняя размерность предсказаний. |
name | (Необязательно) Имя строки экземпляра метрики. |
dtype | (Необязательно) Тип данных результата метрики. |
Методы
reset_states
reset_states()
Сбрасывает все переменные состояния метрики.
Эта функция вызывается между эпохами/шагами, когда метрика оценивается во время обучения.
result
result()
Вычисляет и возвращает тензор значения метрики.
Вычисление результата — это идемпотентная операция, которая просто вычисляет значение метрики с использованием переменных состояния.
update_state
update_state(
y_true, y_pred, sample_weight=None
)
Накапливает статистику истинно-положительных и ложно-положительных значений.
| Аргументы | |
|---|---|
y_true | Значения фактических данных с такими же измерениями, как и у y_pred. Будут преобразованы к типу bool. |
y_pred | Предсказанные значения. Каждое значение должно быть в диапазоне [0, 1]. |
sample_weight | Необязательные весовые коэффициенты каждого примера. По умолчанию 1. Может быть Tensor, чья размерность либо 0, либо такая же, как у y_true, и должна быть совместима для вещания с y_true. |
| Возвращаемое значение | |
|---|---|
| Операция обновления. |
© 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/keras/metrics/Precision
