mindspore.train.Precision

查看源文件
class mindspore.train.Precision(eval_type='classification')[源代码]

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 \(\text{true_positive}\)\(\text{false_positive}\) 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, \(y\)\(y_{pred}\) 的元素必须为0或1。

参数:
  • eval_type (str) - 支持 'classification''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()[源代码]

内部评估结果清零。

eval(average=False)[源代码]

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)[源代码]

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_predyy_predy 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_predy 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_predy 的shape都是 \((N, C)\)

异常:
  • ValueError - inputs数量不是2。