|
- mindspore.nn.Accuracy
- =====================
-
- .. py:class:: mindspore.nn.Accuracy(eval_type='classification')
-
- 计算'classification'单标签数据分类和'multilabel'多标签数据分类的正确率。
-
- 此类创建两个局部变量，预测正确的样本数和总样本数，用于计算预测值 `y_pred` 和真实标签 `y` 的匹配频率。
- 此频率最终作为正确率返回：是一个将预测正确的数目除以总数的幂等操作。
-
- .. math::
- \text{accuracy} =\frac{\text{true_positive} + \text{true_negative}}
- {\text{true_positive} + \text{true_negative} + \text{false_positive} + \text{false_negative}}
-
- **参数：**
-
- - **eval_type** (str) - 评估的数据集的类型，支持'classification'和'multilabel'。'classification'为单标签分类场景，'multilabel'为多标签分类场景。
- 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]]), mindspore.float32)
- >>> y = Tensor(np.array([1, 0, 1]), mindspore.float32)
- >>> metric = nn.Accuracy('classification')
- >>> metric.clear()
- >>> metric.update(x, y)
- >>> accuracy = metric.eval()
- >>> print(accuracy)
- 0.6666666666666666
-
- .. py:method:: clear()
-
- 内部评估结果清零。
-
- .. py:method:: eval()
-
- 计算正确率。
-
- **返回：**
-
- Float，计算的结果。
-
- **异常：**
-
- - **RuntimeError** - 样本量为0。
-
- .. py:method:: update(*inputs)
-
- 更新局部变量。计算预测值y_pred和标签y的匹配频率。
- 对于'classification'，如果预测的最大值的索引匹配真实的标签，预测正确；对于'multilabel'，如果预测值与真实标签匹配，预测正确。
-
- **参数：**
-
- - **inputs** - 预测值 `y_pred` 和真实标签 `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的数量不等于2。
|
