mindspore.train.ConfusionMatrixMetric

class mindspore.train.ConfusionMatrixMetric(skip_channel=True, metric_name='sensitivity', calculation_method=False, decrease='mean')

计算与混淆矩阵相关的度量。

该计算基于全尺度张量，并收集批处理平均值，类通道数和迭代数。 此函数支持计算参数metric_name中描述中列出的所有度量名称。

如果要使用混淆矩阵计算，如”PPV”、”TPR”、”TNR”，请使用此类。 如果只想计算混淆矩阵，请使用 mindspore.train.ConfusionMatrix 。

参数：

• skip_channel (bool) - 是否跳过预测输出的第一个通道的度量计算。默认值：True。

• metric_name (str) - 建议采用如下指标。当然，也可以为这些指标设置通用别名。 取值范围：[“sensitivity”, “specificity”, “precision”, “negative predictive value”, “miss rate”, “fall out”, “false discovery rate”, “false omission rate”, “prevalence threshold”, “threat score”, “accuracy”, “balanced accuracy”, “f1 score”, “matthews correlation coefficient”, “fowlkes mallows index”, “informedness”, “markedness”]。 默认值：”sensitivity”。

• calculation_method (bool) - 如果为True，则计算每个样本的度量值。如果为False，则累积所有样本的混淆矩阵。 对于分类任务， calculation_method 应为False。默认值：False。

• decrease (str) - 定义减少一批数据计算结果的模式。仅当 calculation_method 为True时，才生效。 取值范围：[“none”, “mean”, “sum”, “mean_batch”, “sum_batch”, “mean_channel”, “sum_channel”]。默认值：”mean”。

支持平台：

Ascend GPU CPU

样例：

>>> import numpy as np
>>> from mindspore import Tensor
>>> from mindspore.train import ConfusionMatrixMetric
>>>
>>> metric = ConfusionMatrixMetric(skip_channel=True, metric_name="tpr",
...                                   calculation_method=False, decrease="mean")
>>> metric.clear()
>>> x = Tensor(np.array([[[0], [1]], [[1], [0]]]))
>>> y = Tensor(np.array([[[0], [1]], [[0], [1]]]))
>>> metric.update(x, y)
>>> avg_output = metric.eval()
>>> print(avg_output)
[0.5]

clear()

重置评估结果。

eval()

计算混淆矩阵度量。

返回：

numpy.ndarray，计算的结果。

update(*inputs)

使用预测值和目标值更新状态。

参数：

• inputs (tuple) - y_pred 和 y 。 y_pred 和 y 是 Tensor 、列表或数组。

  • y_pred (ndarray) - 待计算的输入数据。格式必须为one-hot，且第一个维度是batch。 y_pred 的shape是 \((N, C, ...)\) 或 \((N, ...)\) 。 至于分类任务， y_pred 的shape应为[BN]，其中N大于1。对于分割任务，shape应为[BNHW]或[BNHWD]。

  • y (ndarray) - 计算度量值的真实值。格式必须为one-hot，且第一个维度是batch。y 的shape是 \((N, C, ...)\) 。

异常：

• ValueError - 输入参数的数量不等于2。