mindspore.train.Fbeta
======================

.. py: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。

    .. math::
        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 。

    .. py:method:: clear()

        内部评估结果清零。

    .. py:method:: 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 score结果。

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