tf.keras.metrics.SpecificityAtSensitivity

Вычисляет специфичность при заданной чувствительности.

tf.keras.metrics.SpecificityAtSensitivity(
    sensitivity, num_thresholds=200, name=None, dtype=None
)

Sensitivity измеряет долю истинных положительных значений, которые правильно идентифицируются как таковые (tp / (tp + fn)). Specificity измеряет долю истинных отрицательных значений, которые правильно идентифицируются как таковые (tn / (tn + fp)).

Этот показатель создаёт четыре локальные переменные, true_positives, true_negatives, false_positives и false_negatives, которые используются для вычисления специфичности при заданной чувствительности. Порог для заданного значения чувствительности вычисляется и используется для оценки соответствующей специфичности.

Если sample_weight равно None, веса по умолчанию равны 1. Используйте значения весов 0 для маскировки значений.

Дополнительную информацию о специфичности и чувствительности см. по адресу: https://en.wikipedia.org/wiki/Sensitivity_and_specificity

Использование:

m = tf.keras.metrics.SpecificityAtSensitivity(0.8, num_thresholds=1)
m.update_state([0, 0, 1, 1], [0, 0.5, 0.3, 0.9])
print('Final result: ', m.result().numpy())  # Final result: 1.0

Использование с API tf.keras:

model = tf.keras.Model(inputs, outputs)
model.compile(
    'sgd',
    loss='mse',
    metrics=[tf.keras.metrics.SpecificityAtSensitivity()])

Методы

reset_states

Просмотреть исходный код

reset_states()

Сбрасывает все переменные состояния метрики.

Эта функция вызывается между эпохами/шагами, когда метрика оценивается во время обучения.

result

Просмотреть исходный код

result()

Вычисляет и возвращает тензор значения метрики.

Вычисление результата — это идемпотентная операция, которая просто вычисляет значение метрики с использованием переменных состояния.

update_state

Просмотреть исходный код

update_state(
    y_true, y_pred, sample_weight=None
)

Накапливает статистику матрицы неточностей.