Python tf.keras.metrics.SpecificityAtSensitivity用法及代碼示例

計算靈敏度 >= 指定值的最佳特異性。

繼承自：Metric、Layer、Module

用法

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

Sensitivity 測量被正確識別的實際陽性的比例 (tp /(tp + fn))。 Specificity 測量被正確識別的實際負數的比例 (tn /(tn + fp))。

該指標創建四個局部變量，true_positives , true_negatives , false_positives 和 false_negatives，用於計算給定靈敏度下的特異性。計算給定靈敏度值的閾值並用於評估相應的特異性。

如果 sample_weight 是 None ，則權重默認為 1。使用 0 的 sample_weight 來屏蔽值。

如果指定了class_id，我們通過僅考慮批次中class_id 高於閾值預測的條目來計算精度，並計算其中class_id 確實是正確標簽的部分。

有關特異性和敏感性的更多信息，請參閱以下內容。

單機使用：

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()])