이 페이지는 Cloud Translation API를 통해 번역되었습니다.
Switch to English

tf.keras.metrics.Precision

TensorFlow 1 개 버전 GitHub의에서 소스보기

레이블에 대한 예측의 정밀도를 계산합니다.

: 상속 Metric

전자 필기장에서 사용

튜토리얼에서 사용

메트릭은 두 개의 로컬 변수 생성 true_positivesfalse_positives 정밀도를 계산하는데 사용된다. 이 값은, 궁극적으로 반환된다 precision 단순히 나누는 것을 멱등 동작 true_positives 합계하여 true_positivesfalse_positives .

경우 sample_weight 없습니다 None , 무게는 1.의 기본값 sample_weight 값을 마스크 0.

경우 top_k 설정되어 얼마나 자주 배치 항목의 가장 높은 예측 값으로 상위-K 클래스들 수 평균의 클래스가 정확하고 해당 항목의 레이블에서 찾을 수 있습니다, 우리는 정밀도를 계산하는 것이다.

경우 class_id 지정되어, 우리가 일괄 처리 항목 만 고려하여 정밀도를 계산하는 class_id 및 / 또는 상단-K 가장 높은 예측의 임계 값을 초과하고있는 이들의 비율 계산 class_id 참으로 올바른 라벨입니다.

thresholds (선택 사항) 부동 소수점 값 또는 [0, 1]에서 플로트의 임계 값 파이썬리스트 / 튜플. 임계 값은 예측의 진리 값을 결정하기 위해 예측 된 값과 비교된다 (즉, 임계 값 이상이고, true , 아래 인 false ). 한 측정 값은 각 임계 값에 대해 생성됩니다. 어느 임계 값도 top_k 설정 한 경우, 기본값으로 계산 정밀도이다 thresholds=0.5 .
top_k 기본적으로 (선택 사항) 설정을 해제합니다. 정밀도를 계산할 때 상위 K 예측을 지정하는 int 값을 고려한다.
class_id 우리가 진 측정을하고자하는 (선택 사항) 정수 클래스 ID. 이것은 반 열린 간격에 있어야 [0, num_classes) , num_classes 예측의 최종 치수이다.
name 메트릭 인스턴스 (선택 사항) 문자열 이름.
dtype 메트릭 결과 (선택) 데이터 타입.

독립형 사용 :

m = tf.keras.metrics.Precision()
m.update_state([0, 1, 1, 1], [1, 0, 1, 1])
m.result().numpy()
0.6666667
m.reset_states()
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

와 사용 compile() API :

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

행동 양식

reset_states

소스보기

메트릭 상태 변수를 모두 재설정합니다.

메트릭은 훈련 기간 동안 평가 될 때이 기능은, 신 (新) 시대 / 단계 사이라고합니다.

result

소스보기

계산하여 반환 메트릭 값 텐서를.

계산 결과는 단순히 상기 상태 변수를 이용하여 통계 값을 산출 멱등 동작이다.

update_state

소스보기

진정한 양성과 거짓 긍정적 인 통계를 축적한다.

인수
y_true 동일한 크기와 접지 진리 값으로 y_pred . 캐스팅됩니다 bool .
y_pred 예측 값. 각 요소는 범위에 있어야 [0, 1] .
sample_weight 각 예제의 옵션 가중치. 1. 기본값은 될 수 Tensor 그 순위 0 중 하나, 또는 같은 순위 y_true , 그리고에 캐스트 가능한해야합니다 y_true .

보고
업데이트 연산.