tf.keras.metrics.SpecificityAtSensitivity

Вычисляет наилучшую специфичность, где чувствительность больше или равна заданному значению.

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

Sensitivity измеряет долю фактических положительных случаев, которые правильно идентифицированы как таковые (tp / (tp + fn)). Specificity измеряет долю фактических отрицательных случаев, которые правильно идентифицированы как таковые (tn / (tn + fp)).

Этот метрический показатель создает четыре локальных переменных, 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, значения по умолчанию равны 1. Используйте sample_weight 0 для маскирования значений.

Дополнительную информацию о специфичности и чувствительности см. на следующей странице.

Использование автономно:

m = tf.keras.metrics.SpecificityAtSensitivity(0.5)
m.update_state([0, 0, 0, 1, 1], [0, 0.3, 0.8, 0.3, 0.8])
m.result().numpy()
0.66666667

m.reset_states()
m.update_state([0, 0, 0, 1, 1], [0, 0.3, 0.8, 0.3, 0.8],
               sample_weight=[1, 1, 2, 2, 2])
m.result().numpy()
0.5

Использование с API compile():

model.compile(
    optimizer='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.