forked from huawei/mindspore2022
65 lines
2.3 KiB
ReStructuredText
65 lines
2.3 KiB
ReStructuredText
mindspore.nn.Precision
|
||
======================
|
||
|
||
.. py:class:: mindspore.nn.Precision(eval_type='classification')
|
||
|
||
计算'classification'单标签数据分类和'multilabel'多标签数据分类的精度。
|
||
|
||
此函数创建两个局部变量 :math:`\text{true_positive}` 和 :math:`\text{false_positive}` 用于计算精度。计算方式为 :math:`\text{true_positive}` 除以 :math:`\text{true_positive}` 与 :math:`\text{false_positive}` 的和，是一个幂等操作，此值最终作为精度返回。
|
||
|
||
.. math::
|
||
\text{precision} = \frac{\text{true_positive}}{\text{true_positive} + \text{false_positive}}
|
||
|
||
.. note::
|
||
在多标签情况下， :math:`y` 和 :math:`y_{pred}` 的元素必须为0或1。
|
||
|
||
**参数：**
|
||
|
||
- **eval_type** （str）- 支持'classification'和'multilabel'。默认值：'classification'。
|
||
|
||
**样例：**
|
||
|
||
>>> import numpy as np
|
||
>>> from mindspore import nn, Tensor
|
||
>>>
|
||
>>> x = Tensor(np.array([[0.2, 0.5], [0.3, 0.1], [0.9, 0.6]]))
|
||
>>> y = Tensor(np.array([1, 0, 1]))
|
||
>>> metric = nn.Precision('classification')
|
||
>>> metric.clear()
|
||
>>> metric.update(x, y)
|
||
>>> precision = metric.eval()
|
||
>>> print(precision)
|
||
[0.5 1. ]
|
||
|
||
.. py:method:: clear()
|
||
|
||
内部评估结果清零。
|
||
|
||
.. py:method:: eval(average=False)
|
||
|
||
计算精度。
|
||
|
||
**参数：**
|
||
|
||
- **average** (bool) - 指定是否计算平均精度。默认值：False。
|
||
|
||
**返回：**
|
||
|
||
numpy.float64，计算结果。
|
||
|
||
.. py:method:: update(*inputs)
|
||
|
||
使用预测值 `y_pred` 和真实标签 `y` 更新局部变量。
|
||
|
||
**参数：**
|
||
|
||
- **inputs** - 输入 `y_pred` 和 `y`。`y_pred` 和 `y` 支持Tensor、list或numpy.ndarray类型。
|
||
|
||
对于'classification'情况，`y_pred` 在大多数情况下由范围 :math:`[0, 1]` 中的浮点数组成，shape为 :math:`(N, C)` ，其中 :math:`N` 是样本数， :math:`C` 是类别数。`y` 由整数值组成，如果是one_hot编码格式，shape是 :math:`(N,C)` ；如果是类别索引，shape是 :math:`(N,)` 。
|
||
|
||
对于'multilabel'情况，`y_pred` 和 `y` 只能是值为0或1的one-hot编码格式，其中值为1的索引表示正类别。`y_pred` 和 `y` 的shape都是 :math:`(N,C)` 。
|
||
|
||
**异常：**
|
||
|
||
- **ValueError** - inputs数量不是2。
|