Python tf.keras.metrics.Precision用法及代码示例

计算关于标签的预测精度。

继承自：Metric、Layer、Module

用法

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

参数

thresholds (可选)[0, 1] 中的浮点值或浮点阈值的 python 列表/元组。将阈值与预测值进行比较以确定预测的真值(即，高于阈值的是true，低于阈值的是false)。为每个阈值生成一个度量值。如果既没有设置阈值也没有设置 top_k，则默认使用 thresholds=0.5 计算精度。
top_k (可选)默认取消设置。一个 int 值，指定在计算精度时要考虑的 top-k 预测。
class_id (可选)我们想要二进制度量的整数类 ID。这必须在半开区间 [0, num_classes) 中，其中 num_classes 是预测的最后一个维度。
name (可选)指标实例的字符串名称。
dtype (可选)度量结果的数据类型。

该指标创建两个局部变量，true_positives 和 false_positives，用于计算精度。该值最终返回为 precision ，这是一个幂等运算，只需将 true_positives 除以 true_positives 和 false_positives 的总和。

如果 sample_weight 是 None ，则权重默认为 1。使用 0 的 sample_weight 来屏蔽值。

如果设置了top_k，我们将计算精度，因为在批次条目的预测值最高的top-k 类中，一个类的平均频率是正确的，并且可以在该条目的标签中找到。

如果指定了class_id，我们通过仅考虑批次中class_id 高于阈值和/或top-k 最高预测的条目来计算精度，并计算其中class_id 为确实是一个正确的标签。

单机使用：

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

compile() API 的用法：

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

相关用法

注：本文由纯净天空筛选整理自tensorflow.org大神的英文原创作品 tf.keras.metrics.Precision。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。