Модуль: tf.keras.metrics

Встроенные метрики.

Классы

class AUC: Вычисляет приблизительную AUC (площадь под кривой) с помощью суммы Римана.

class Accuracy: Вычисляет, насколько часто предсказания равны меткам.

class BinaryAccuracy: Вычисляет, насколько часто предсказания соответствуют бинарным меткам.

class BinaryCrossentropy: Вычисляет метрику кросс-энтропии между метками и предсказаниями.

class CategoricalAccuracy: Вычисляет, насколько часто предсказания соответствуют меткам в формате one-hot.

class CategoricalCrossentropy: Вычисляет метрику кросс-энтропии между метками и предсказаниями.

class CategoricalHinge: Вычисляет метрику категориального шарнира между y_true и y_pred.

class CosineSimilarity: Вычисляет косинусное сходство между метками и предсказаниями.

class FalseNegatives: Вычисляет количество ложных негативов.

class FalsePositives: Вычисляет количество ложных позитивов.

class Hinge: Вычисляет метрику шарнира между y_true и y_pred.

class KLDivergence: Вычисляет метрику расхождения Кульбака-Лайблера между y_true и y_pred.

class LogCoshError: Вычисляет логарифм гиперболического косинуса ошибки предсказания.

class Mean: Вычисляет (взвешенное) среднее значение заданных значений.

class MeanAbsoluteError: Вычисляет среднюю абсолютную ошибку между метками и предсказаниями.

class MeanAbsolutePercentageError: Вычисляет среднюю абсолютную процентную ошибку между y_true и y_pred.

class MeanIoU: Вычисляет среднюю метрику пересечения по объединению.

class MeanRelativeError: Вычисляет среднюю относительную ошибку, нормализуя по заданным значениям.

class MeanSquaredError: Вычисляет среднеквадратическую ошибку между y_true и y_pred.

class MeanSquaredLogarithmicError: Вычисляет среднеквадратическую логарифмическую ошибку между y_true и y_pred.

class MeanTensor: Вычисляет поэлементное (взвешенное) среднее заданных тензоров.

class Metric: Оборачивает логику и состояние метрики.

class Poisson: Вычисляет метрику Пуассона между y_true и y_pred.

class Precision: Вычисляет точность предсказаний относительно меток.

class PrecisionAtRecall: Вычисляет наилучшую точность, где полнота ≥ заданному значению.

class Recall: Вычисляет полноту предсказаний относительно меток.

class RecallAtPrecision: Вычисляет наилучшую полноту, где точность ≥ заданному значению.

class RootMeanSquaredError: Вычисляет корень из среднеквадратической ошибки между y_true и y_pred.

class SensitivityAtSpecificity: Вычисляет наилучшую чувствительность, где специфичность ≥ заданному значению.

class SparseCategoricalAccuracy: Вычисляет, насколько часто предсказания соответствуют целочисленным меткам.

class SparseCategoricalCrossentropy: Вычисляет метрику кросс-энтропии между метками и предсказаниями.

class SparseTopKCategoricalAccuracy: Вычисляет, насколько часто целочисленные целевые значения находятся в топ-K предсказаниях.

class SpecificityAtSensitivity: Вычисляет наилучшую специфичность, где чувствительность ≥ заданному значению.

class SquaredHinge: Вычисляет квадратичную метрику шарнира между y_true и y_pred.

class Sum: Вычисляет (взвешенную) сумму заданных значений.

class TopKCategoricalAccuracy: Вычисляет, насколько часто целевые значения находятся в топ-K предсказаниях.

class TrueNegatives: Вычисляет количество истинных негативов.

class TruePositives: Вычисляет количество истинных позитивов.

Функции

KLD(...): Вычисляет потерю расхождения Кульбака-Лайблера между y_true и y_pred.

MAE(...): Вычисляет среднюю абсолютную ошибку между метками и предсказаниями.

MAPE(...): Вычисляет среднюю абсолютную процентную ошибку между y_true и y_pred.

MSE(...): Вычисляет среднеквадратическую ошибку между метками и предсказаниями.

MSLE(...): Вычисляет среднеквадратическую логарифмическую ошибку между y_true и y_pred.

binary_accuracy(...): Вычисляет, насколько часто предсказания соответствуют бинарным меткам.

binary_crossentropy(...): Вычисляет потерю бинарной кросс-энтропии.

categorical_accuracy(...): Вычисляет, насколько часто предсказания соответствуют меткам в формате one-hot.

categorical_crossentropy(...): Вычисляет потерю категориальной кросс-энтропии.

deserialize(...): Десериализует сериализованный экземпляр класса/функции метрики.

get(...): Извлекает Keras метрику как экземпляр класса function/Metric.

hinge(...): Вычисляет потерю шарнира между y_true и y_pred.

kl_divergence(...): Вычисляет потерю расхождения Кульбака-Лайблера между y_true и y_pred.

kld(...): Вычисляет потерю расхождения Кульбака-Лайблера между y_true и y_pred.

kullback_leibler_divergence(...): Вычисляет потерю расхождения Кульбака-Лайблера между y_true и y_pred.

mae(...): Вычисляет среднюю абсолютную ошибку между метками и предсказаниями.

mape(...): Вычисляет среднюю абсолютную процентную ошибку между y_true и y_pred.

mean_absolute_error(...): Вычисляет среднюю абсолютную ошибку между метками и предсказаниями.

mean_absolute_percentage_error(...): Вычисляет среднюю абсолютную процентную ошибку между y_true и y_pred.

mean_squared_error(...): Вычисляет среднеквадратическую ошибку между метками и предсказаниями.

mean_squared_logarithmic_error(...): Вычисляет среднеквадратическую логарифмическую ошибку между y_true и y_pred.

mse(...): Вычисляет среднеквадратическую ошибку между метками и предсказаниями.

msle(...): Вычисляет среднеквадратическую логарифмическую ошибку между y_true и y_pred.

poisson(...): Вычисляет потерю Пуассона между y_true и y_pred.

serialize(...): Сериализует функцию метрики или экземпляр Metric.

sparse_categorical_accuracy(...): Вычисляет, насколько часто предсказания соответствуют целочисленным меткам.

sparse_categorical_crossentropy(...): Вычисляет потерю разреженной категориальной кросс-энтропии.

sparse_top_k_categorical_accuracy(...): Вычисляет, насколько часто целочисленные целевые значения находятся в топ-K предсказаниях.

squared_hinge(...): Вычисляет квадратичную потерю шарнира между y_true и y_pred.

top_k_categorical_accuracy(...): Вычисляет, насколько часто целевые значения находятся в топ-K предсказаниях.