mindspore.train.Fbeta
- class mindspore.train.Fbeta(beta)[源代码]
计算Fbeta评分。
Fbeta评分是精度(Precision)和召回率(Recall)的加权平均值。
\[F_\beta=\frac{(1+\beta^2) \cdot true\_positive} {(1+\beta^2) \cdot true\_positive +\beta^2 \cdot false\_negative + false\_positive}\]- 参数:
beta (Union[float, int]) - F-measure中的beta系数 。
- 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]
- eval(average=False)[源代码]
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)[源代码]
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。