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

计算灵敏度 >= 指定值的最佳特异性。

继承自：Metric、Layer、Module

用法

tf.keras.metrics.SpecificityAtSensitivity(
    sensitivity, num_thresholds=200, class_id=None, name=None, dtype=None
)

Sensitivity 测量被正确识别的实际阳性的比例 (tp /(tp + fn))。 Specificity 测量被正确识别的实际负数的比例 (tn /(tn + fp))。

该指标创建四个局部变量，true_positives , true_negatives , false_positives 和 false_negatives，用于计算给定灵敏度下的特异性。计算给定灵敏度值的阈值并用于评估相应的特异性。

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

如果指定了class_id，我们通过仅考虑批次中class_id 高于阈值预测的条目来计算精度，并计算其中class_id 确实是正确标签的部分。

有关特异性和敏感性的更多信息，请参阅以下内容。

单机使用：

m = tf.keras.metrics.SpecificityAtSensitivity(0.5)
m.update_state([0, 0, 0, 1, 1], [0, 0.3, 0.8, 0.3, 0.8])
m.result().numpy()
0.66666667

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, 2])
m.result().numpy()
0.5

compile() API 的用法：

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