tf.keras.metrics.RecallAtPrecision

Вычисляет наилучший показатель полноты, где точность ≥ заданное значение.

Наследуется от: Metric, Layer, Module

tf.keras.metrics.RecallAtPrecision(
    precision, num_thresholds=200, class_id=None, name=None, dtype=None
)

Для заданного распределения оценок-меток требуемая точность может быть недостижима, в этом случае возвращается 0,0 в качестве полноты.

Этот метрический показатель создает четыре локальных переменные, true_positives, true_negatives, false_positives и false_negatives, которые используются для вычисления полноты при заданной точности. Порог для данного значения точности вычисляется и используется для оценки соответствующей полноты.

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

Если class_id задано, мы вычисляем точность, учитывая только записи в пакете, для которых class_id выше порога предсказаний, и вычисляем долю из них, для которых class_id действительно является правильной меткой.

Использование автономного приложения:

m = tf.keras.metrics.RecallAtPrecision(0.8)
m.update_state([0, 0, 1, 1], [0, 0.5, 0.3, 0.9])
m.result().numpy()
0.5

m.reset_state()
m.update_state([0, 0, 1, 1], [0, 0.5, 0.3, 0.9],
               sample_weight=[1, 0, 0, 1])
m.result().numpy()
1.0

Использование с API compile()

model.compile(
    optimizer='sgd',
    loss='mse',
    metrics=[tf.keras.metrics.RecallAtPrecision(precision=0.8)])

Методы

merge_state

Просмотр исходного кода

merge_state(
    metrics
)

Объединяет состояние из одной или нескольких метрик.

Этот метод может использоваться распределенными системами для объединения состояния, вычисленного различными экземплярами метрик. Как правило, состояние хранится в виде весов метрики. Например, метрика tf.keras.metrics.Mean содержит два значения весов: сумму и количество. Если было два экземпляра tf.keras.metrics.Accuracy, каждый из которых независимо агрегировал частичное состояние для расчета 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

Просмотр исходного кода

reset_state()

Сбрасывает все переменные состояния метрики.

Эта функция вызывается между эпохами/шагами, когда метрика оценивается во время обучения.

result

Просмотр исходного кода

result()

Вычисляет и возвращает скалярный тензор значения метрики или словарь скаляров.

Вычисление результата — это идемпотентная операция, которая просто вычисляет значение метрики с использованием переменных состояния.

update_state

Просмотр исходного кода

update_state(
    y_true, y_pred, sample_weight=None
)

Накапливает статистику матрицы неточностей.