mindspore.train.Precision

class mindspore.train.Precision(eval_type='classification')

计算数据分类的精度，包括单标签场景和多标签场景。

此函数创建两个局部变量 \(\text{true_positive}\) 和 \(\text{false_positive}\) 用于计算精度。计算方式如下：

\[\text{precision} = \frac{\text{true_positive}}{\text{true_positive} + \text{false_positive}}\]

说明

在多标签情况下， \(y\) 和 \(y_{pred}\) 的元素必须为0或1。

参数：

• eval_type (str) - 支持’classification’和’multilabel’。默认值：’classification’。

支持平台：

Ascend GPU CPU

样例：

>>> import numpy as np
>>> from mindspore import Tensor
>>> from mindspore.train import Precision
>>>
>>> x = Tensor(np.array([[0.2, 0.5], [0.3, 0.1], [0.9, 0.6]]))
>>> y = Tensor(np.array([1, 0, 1]))
>>> metric = Precision('classification')
>>> metric.clear()
>>> metric.update(x, y)
>>> precision = metric.eval()
>>> print(precision)
[0.5 1. ]

clear()

内部评估结果清零。

eval(average=False)

计算精度。

参数：

• average (bool) - 指定是否计算平均精度。默认值：False。

返回：

numpy.float64，计算结果。

update(*inputs)

使用预测值 y_pred 和真实标签 y 更新局部变量。

参数：

• inputs - 输入 y_pred 和 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数量不是2。