|
- Class mindspore.nn.Fbeta(beta)
-
- 计算fbeta评分。
-
- Fbeta评分是精度(Precision)和召回率(Recall)的加权平均值。
-
- .. math::
- F_\beta=\frac{(1+\beta^2) \cdot true\_positive}
- {(1+\beta^2) \cdot true\_positive +\beta^2 \cdot false\_negative + false\_positive}
-
- 参数：
- beta (Union[float, int])：F-measure中的beta系数 。
-
- 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.Fbeta(1)
- >>> metric.clear()
- >>> metric.update(x, y)
- >>> fbeta = metric.eval()
- >>> print(fbeta)
- [0.66666667 0.66666667]
-
-
- clear()
- 内部评估结果清零。
-
- eval(average=False)
-
- 计算fbeta结果。
-
- 参数：
- average (bool)：是否计算fbeta平均值。默认值：False。
-
- 返回：
- numpy.ndarray或numpy.float64，计算结果。
-
-
- update(*inputs)
-
- 使用预测值 `y_pred` 和真实标签 `y` 更新内部评估结果。
-
- 参数：
- inputs：`y_pred` 和 `y` 。`y_pred` 和 `y` 支持Tensor、list或numpy.ndarray类型。
- 通常情况下，`y_pred`是0到1之间的浮点数列表，shape为:math:`(N, C)`，其中:math:`N`是样本数，:math:`C`是类别数。
- `y` 是整数值，如果使用one-hot编码，则shape为:math:`(N,C)`；如果使用类别索引，shape是:math:`(N,)`。
|
