tf.keras.metrics.Precision

Вычисляет точность предсказаний по отношению к меткам.

Наследуется от: Metric, Layer, Module

tf.keras.metrics.Precision(
    thresholds=None, top_k=None, class_id=None, name=None, dtype=None
)

Метрика создает 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 равно None, веса по умолчанию равны 1. Используйте значение sample_weight 0 для маскирования значений.

Если top_k задано, мы будем рассчитывать точность как частоту, с которой в среднем класс среди k-лучших классов с наивысшими предсказанными значениями записи пакета является правильным и может быть найден в метке для этой записи.

Если class_id указано, мы рассчитываем точность, рассматривая только записи в пакете, для которых class_id выше порога и/или в k-лучших предсказаниях, и вычисляя долю тех из них, для которых class_id действительно является правильной меткой.

Использование автономно:

m = tf.keras.metrics.Precision()
m.update_state([0, 1, 1, 1], [1, 0, 1, 1])
m.result().numpy()
0.6666667

m.reset_state()
m.update_state([0, 1, 1, 1], [1, 0, 1, 1], sample_weight=[0, 0, 1, 0])
m.result().numpy()
1.0

# With top_k=2, it will calculate precision over y_true[:2] and y_pred[:2]
m = tf.keras.metrics.Precision(top_k=2)
m.update_state([0, 0, 1, 1], [1, 1, 1, 1])
m.result().numpy()
0.0

# With top_k=4, it will calculate precision over y_true[:4] and y_pred[:4]
m = tf.keras.metrics.Precision(top_k=4)
m.update_state([0, 0, 1, 1], [1, 1, 1, 1])
m.result().numpy()
0.5

Использование с API compile():

model.compile(optimizer='sgd',
              loss='mse',
              metrics=[tf.keras.metrics.Precision()])

Методы

merge_state

Просмотреть исходный код

merge_state(
    metrics
)

Объединяет состояние из одной или нескольких метрик.

Этот метод может использоваться распределёнными системами для объединения состояния, вычисленного различными экземплярами метрики. Обычно состояние хранится в виде весов метрики. Например, метрика tf.keras.metrics.Mean содержит список из двух значений весов: общей суммы и счётчика. Если были два экземпляра tf.keras.metrics.Accuracy, которые независимо агрегировали частичное состояние для расчёта общей точности, то состояния этих двух метрик можно объединить следующим образом:

m1 = tf.keras.metrics.Accuracy()
_ = m1.update_state([[1], [2]], [[0], [2]])

m2 = tf.keras.metrics.Accuracy()
_ = m2.update_state([[3], [4]], [[3], [4]])

m2.merge_state([m1])
m2.result().numpy()
0.75

reset_state

Просмотреть исходный код

reset_state()

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 скалярное тензорное значение метрики или словарь скаляров.

Вычисление результата — идемпотентная операция, которая просто вычисляет значение метрики, используя переменные состояния.

update_state

Просмотреть исходный код

update_state(
    y_true, y_pred, sample_weight=None
)

Накапливает статистику истинно-положительных и ложно-положительных результатов.