文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindspore.train.Fbeta

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。

$$F_{\beta }=\frac{(1+{\beta }^2)\cdot true\mathrm{\_}positive}{(1+{\beta }^2)\cdot true\mathrm{\_}positive+{\beta }^2\cdot false\mathrm{\_}negative+false\mathrm{\_}positive}$$

参数：

• beta (Union[float, int]) - F-measure中的beta系数 。

支持平台：

Ascend GPU CPU

样例：

>>> import numpy as np
>>> from mindspore import Tensor
>>> from mindspore.train import Fbeta
>>>
>>> x = Tensor(np.array([[0.2, 0.5], [0.3, 0.1], [0.9, 0.6]]))
>>> y = Tensor(np.array([1, 0, 1]))
>>> metric = Fbeta(1)
>>> metric.clear()
>>> metric.update(x, y)
>>> fbeta = metric.eval()
>>> print(fbeta)
[0.66666667 0.66666667]

clear()

内部评估结果清零。

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 评分结果。

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

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。