mindspore.nn.Accuracy

class mindspore.nn.Accuracy(eval_type='classification')

计算数据分类的正确率，包括二分类和多分类。

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 y_pred 和 y 的匹配率。此匹配率即为accuracy。

\[\text{accuracy} =\frac{\text{true_positive} + \text{true_negative}} {\text{true_positive} + \text{true_negative} + \text{false_positive} + \text{false_negative}}\]

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’。

支持平台：

Ascend GPU CPU

样例：

>>> import numpy as np
>>> import mindspore
>>> 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

clear()

内部评估结果清零。

eval()

计算正确率。

返回：

np.float64，计算的正确率结果。

异常：

• RuntimeError - 样本量为0。

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 \([0, 1]\) 中的浮点数组成，shape为 \((N, C)\) ，其中 \(N\) 是样本数， \(C\) 是类别数。 y 由整数值组成，如果是one_hot编码格式，shape是 \((N,C)\) ；如果是类别索引，shape是 \((N,)\) 。

  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 \((N,C)\) 。

异常：

• ValueError - inputs的数量不等于2。

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