|
- 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。
|
