mindspore.train.Accuracy
- class mindspore.train.Accuracy(eval_type='classification')[源代码]
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 Tensor >>> from mindspore.train import Accuracy >>> >>> 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 = Accuracy('classification') >>> metric.clear() >>> metric.update(x, y) >>> accuracy = metric.eval() >>> print(accuracy) 0.6666666666666666
- update(*inputs)[源代码]
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。