mindspore.train.Fbeta

class mindspore.train.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。

$$F_{\beta }=\frac{(1+{\beta }^2)\cdot true\mathrm{\_}positive}{(1+{\beta }^2)\cdot true\mathrm{\_}positive+{\beta }^2\cdot false\mathrm{\_}negative+false\mathrm{\_}positive}$$

参数：

• beta (Union[float, int]) - F-measure中的beta系数。

支持平台：

Ascend GPU CPU

样例：

>>> import numpy as np
>>> from mindspore import Tensor
>>> from mindspore.train import Fbeta
>>>
>>> x = Tensor(np.array([[0.2, 0.5], [0.3, 0.1], [0.9, 0.6]]))
>>> y = Tensor(np.array([1, 0, 1]))
>>> metric = 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，计算的Fbeta评分结果。

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 $[0,1]$ 之间的浮点数列表，shape为 $(N,C)$ ，其中 $N$ 是样本数， $C$ 是类别数。 y 是整数值，如果使用one-hot编码，则shape为 $(N,C)$ ；如果使用类别索引，shape是 $(N,)$ 。

异常：

• ValueError - 当前输入的 y_pred 和历史 y_pred 类别数不匹配。

• ValueError - 预测值和真实值包含的类别不同。