tf.keras.metrics.Точность

Вычисляет точность предсказаний относительно меток.

Наследуется от: Metric, Layer, Module

Просмотр псевдонимов

Псевдонимы для миграции

См. Руководство по миграции для получения более подробной информации.

tf.compat.v1.keras.metrics.Recall

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

Эта метрика создаёт две локальные переменные, true_positives и false_negatives, которые используются для вычисления точности. Это значение в конечном итоге возвращается как recall, идиоматическая операция, которая просто делит true_positives на сумму true_positives и false_negatives.

Если sample_weight является None, веса по умолчанию равны 1. Используйте значения весов 0, чтобы замаскировать значения.

Если top_k установлено, точность будет вычисляться как частота, с которой в среднем класс среди меток записи пакета попадает в топ-k предсказаний.

Если class_id указано, мы вычисляем точность, учитывая только записи в пакете, для которых class_id находится в метке, и вычисляя долю из них, для которых class_id находится выше порога и/или в топ-k предсказаниях.

Аргументы
`thresholds`	(Необязательно) Вещественное значение или список/кортеж питонских вещественных значений пороговых значений в [0, 1]. Порог сравнивается со значениями предсказания, чтобы определить истинное значение предсказаний (т.е., выше порога — `true`, ниже — `false`). Одно значение метрики генерируется для каждого значения порога. Если ни пороги, ни top_k не установлены, по умолчанию вычисляется точность с `thresholds=0.5`.
`top_k`	(Необязательно) По умолчанию не установлено. Целое значение, определяющее лучшие k предсказаний для расчета точности.
`class_id`	(Необязательно) Целочисленный идентификатор класса, для которого мы хотим двоичные метрики. Это должно быть в полуоткрытом интервале `[0, num_classes)`, где `num_classes` — последняя размерность предсказаний.
`name`	(Необязательно) Имя строки экземпляра метрики.
`dtype`	(Необязательно) Тип данных результата метрики.

Автономное использование:

m = tf.keras.metrics.Recall()
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

Использование с API compile():

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

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. Как правило, состояние хранится в виде весов метрики. Например, метрика tf.keras.metrics.Среднее содержит список из двух значений весов: общей суммы и счётчика. Если было два экземпляра tf.keras.metrics.Точность, каждый из которых независимо агрегировал частичное состояние для вычисления общей точности, 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

Аргументы
`metrics`	Итерируемый список метрик. Метрики должны иметь совместимое состояние.

Исключения
`ValueError`	Если предоставленный итерируемый список не содержит метрики, соответствующие требуемым характеристикам метрики.

`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 значение метрики или словарь скаляров.

Вычисление результата является идиоматической операцией, которая просто вычисляет значение метрики, используя переменные состояния.

Возвращаемое значение
Скалярный тензор или словарь скалярных тензоров.

`update_state`

Просмотреть исходный код

update_state(
    y_true, y_pred, sample_weight=None
)

Накапливает статистику истинных положительных и ложных отрицательных значений.

Аргументы
`y_true`	Значения истинного результата, с такими же размерами, как и у `y_pred`. Будет приведено к типу `bool`.
`y_pred`	Значения прогнозов. Каждый элемент должен быть в диапазоне `[0, 1]`.
`sample_weight`	Необязательное взвешивание каждого примера. По умолчанию 1. Может быть `Tensor`, ранг которого равен 0 или такому же, как у `y_true`, и должен быть совместим для трансляции к `y_true`.

Возвращаемое значение
Операция обновления.

© 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/keras/metrics/Recall