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。

\[F_\beta=\frac{(1+\beta^2) \cdot true\_positive} {(1+\beta^2) \cdot true\_positive +\beta^2 \cdot false\_negative + false\_positive}\]

参数：

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

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。