计算真阳性的数量。
用法
tf.keras.metrics.TruePositives(
thresholds=None, name=None, dtype=None
)
参数
-
thresholds
(可选)默认为 0.5。 [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。 -
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。
如果给出sample_weight
,则计算真阳性权重的总和。该指标创建一个局部变量true_positives
,用于跟踪真阳性的数量。
如果 sample_weight
是 None
,则权重默认为 1。使用 0 的 sample_weight
来屏蔽值。
单机使用:
m = tf.keras.metrics.TruePositives()
m.update_state([0, 1, 1, 1], [1, 0, 1, 1])
m.result().numpy()
2.0
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
compile()
API 的用法:
model.compile(optimizer='sgd',
loss='mse',
metrics=[tf.keras.metrics.TruePositives()])
相关用法
- Python tf.keras.metrics.TruePositives.merge_state用法及代码示例
- Python tf.keras.metrics.TrueNegatives用法及代码示例
- Python tf.keras.metrics.TrueNegatives.merge_state用法及代码示例
- Python tf.keras.metrics.TopKCategoricalAccuracy用法及代码示例
- Python tf.keras.metrics.TopKCategoricalAccuracy.merge_state用法及代码示例
- Python tf.keras.metrics.Mean.merge_state用法及代码示例
- Python tf.keras.metrics.Hinge用法及代码示例
- Python tf.keras.metrics.SparseCategoricalAccuracy.merge_state用法及代码示例
- Python tf.keras.metrics.RootMeanSquaredError用法及代码示例
- Python tf.keras.metrics.SparseCategoricalCrossentropy.merge_state用法及代码示例
- Python tf.keras.metrics.sparse_categorical_accuracy用法及代码示例
- Python tf.keras.metrics.FalseNegatives用法及代码示例
- Python tf.keras.metrics.RecallAtPrecision.merge_state用法及代码示例
- Python tf.keras.metrics.SpecificityAtSensitivity用法及代码示例
- Python tf.keras.metrics.Mean用法及代码示例
- Python tf.keras.metrics.poisson用法及代码示例
- Python tf.keras.metrics.LogCoshError用法及代码示例
- Python tf.keras.metrics.MeanSquaredLogarithmicError用法及代码示例
- Python tf.keras.metrics.FalsePositives.merge_state用法及代码示例
- Python tf.keras.metrics.OneHotMeanIoU.merge_state用法及代码示例
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.TruePositives。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。