tf.compat.v1.metrics.precision_at_k

Вычисляет точность@k предсказаний относительно разреженных меток.

tf.compat.v1.metrics.precision_at_k(
    labels,
    predictions,
    k,
    class_id=None,
    weights=None,
    metrics_collections=None,
    updates_collections=None,
    name=None
)

Если class_id указано, мы вычисляем точность, учитывая только записи в пакете, для которых class_id находится в числе predictions k наибольших predictions, и вычисляем долю тех из них, для которых class_id действительно является правильной меткой. Если class_id не указано, мы вычислим точность как частоту, с которой в среднем класс среди k классов с наибольшими предсказанными значениями для записи в пакете является верным и содержится в метке для этой записи.

precision_at_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>. Внутри операция top_k вычисляет операцию Tensor, указывающую на k k predictions. Операции над множествами, применённые к top_k и labels, вычисляют истинноположительные и ложноположительные значения, взвешенные с помощью 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
`labels`	`int64` `Tensor` или `SparseTensor` с формой [D1, ... DN, num_labels] или [D1, ... DN], где последнее подразумевает num_labels=1. N >= 1, и num_labels — число целевых классов для соответствующего предсказания. Обычно N=1, и `labels` имеет форму [размер_пакета, num_labels]. [D1, ... DN] должно совпадать с `predictions`. Значения должны находиться в диапазоне [0, num_classes), где num_classes — последний размер `predictions`. Значения вне этого диапазона игнорируются.
`predictions`	Плавающее `Tensor` с формой [D1, ... DN, num_classes], где N >= 1. Обычно N=1, и predictions имеет форму [размер_пакета, num_classes]. Последнее измерение содержит значения логарифма для каждого класса. [D1, ... DN] должно совпадать с `labels`.
`k`	Целое число, k для метрики @k.
`class_id`	Целое число, идентификатор класса, для которого мы хотим 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` с рангом либо 0, либо n-1, где n — ранг `labels`. В последнем случае он должен быть транслируемым к `labels` (т. е., все измерения должны быть либо `1`, либо такими же, как соответствующее измерение `labels`).
`metrics_collections`	Необязательный список коллекций, к которым следует добавить значения.
`updates_collections`	Необязательный список коллекций, к которым следует добавить обновления.
`name`	Имя новой операции обновления и пространство имён для других зависимых операций.

Возвращаемое значение
`precision`	Скалярное `float64` `Tensor` со значением `true_positives`, делённым на сумму `true_positives` и `false_positives`.
`update_op`	Операция `Operation`, которая надлежащим образом увеличивает `true_positives` и `false_positives` переменные, и значение которой соответствует `precision`.

Исключения
`ValueError`	Если `weights` не `None` и его форма не совпадает с `predictions`, или если `metrics_collections` или `updates_collections` не являются списком или кортежем.
`RuntimeError`	Если включено выполнение в режиме eager.

© 2022 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 4.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/versions/r2.9/api_docs/python/tf/compat/v1/metrics/precision_at_k