tf.keras.metrics.ЧувствительностьПриЗаданнойСпецифичности

Вычисляет наилучшую чувствительность, где специфичность >= заданного значения.

Наследуется от: Metric, Layer, Module

tf.keras.metrics.SensitivityAtSpecificity(
    specificity, num_thresholds=200, class_id=None, name=None, dtype=None
)

чувствительность при заданной специфичности.

Sensitivity измеряет долю фактических положительных значений, которые правильно идентифицированы как таковые (tp / (tp + fn)). Specificity измеряет долю фактических отрицательных значений, 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 чувствительности при заданной специфичности. Порог для заданного значения специфичности вычисляется и используется для оценки соответствующей чувствительности.

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

Если class_id указано, мы вычисляем точность, рассматривая только записи в пакете, для которых class_id выше порога прогнозов, и вычисляя долю из них, для которых class_id действительно является правильной меткой.

Дополнительную информацию о специфичности и чувствительности см. в следующем.

Использование автономно:

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

m.reset_state()
m.update_state([0, 0, 0, 1, 1], [0, 0.3, 0.8, 0.3, 0.8],
               sample_weight=[1, 1, 2, 2, 1])
m.result().numpy()
0.333333

Использование с API compile():

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

Методы

merge_state

Просмотреть исходный код

merge_state(
    metrics
)

Объединяет состояние из одной или нескольких метрик.

Этот метод может использоваться распределенными системами для объединения состояния, вычисленного различными экземплярами метрики. Как правило, состояние хранится в виде весов метрики. Например, метрика tf.keras.metrics.Mean содержит список из двух значений весов: общее и счет. Если были два экземпляра tf.keras.metrics.Accuracy, 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

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 — 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.