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}}

    注：
        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'。

    示例：
        >>> 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. ]



clear()
内部评估结果清零。

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。


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。