Keras 3 API 文档 / 指标 / 基于真/假阳性与阴性的分类指标

基于真/假阳性和阴性的分类指标

[源代码]

AUC

keras.metrics.AUC(
    num_thresholds=200,
    curve="ROC",
    summation_method="interpolation",
    name=None,
    dtype=None,
    thresholds=None,
    multi_label=False,
    num_labels=None,
    label_weights=None,
    from_logits=False,
)

近似 ROC 或 PR 曲线的 AUC(曲线下面积)。

ROC(接收者操作特征;默认)或 PR(精确率-召回率)曲线的 AUC(曲线下面积)是二元分类器的质量度量。与准确度不同,并且像交叉熵损失一样,ROC-AUC 和 PR-AUC 评估模型的所有操作点。

此类别使用黎曼和来近似 AUC。在指标累积阶段,预测值会根据其值在预定义的桶中累积。然后通过内插每个桶的平均值来计算 AUC。这些桶定义了评估的操作点。

此指标创建四个局部变量:true_positivestrue_negativesfalse_positivesfalse_negatives,用于计算 AUC。为了离散化 AUC 曲线,使用一组线性间隔的阈值来计算召回率和精确率对。因此,ROC 曲线下的面积是使用召回值的高度乘以假阳性率来计算的,而 PR 曲线下的面积是使用精确值的高度乘以召回率来计算的。

此值最终以 auc 返回,这是一个幂等操作,用于计算精确率与召回值(使用上述变量计算)离散曲线下的面积。num_thresholds 变量控制离散化程度,阈值数量越多,越接近真实的 AUC。近似质量可能会根据 num_thresholds 的不同而显著变化。thresholds 参数可用于手动指定更均匀地划分预测的阈值。

为了最好地近似真实 AUC,predictions 应该近似均匀地分布在 [0, 1] 范围内(如果 from_logits=False)。如果不是这种情况,AUC 近似质量可能很差。将 summation_method 设置为“minoring”或“majoring”可以通过提供 AUC 的下限或上限估计来帮助量化近似中的误差。

如果 sample_weightNone,则权重默认为 1。使用 sample_weight 为 0 来屏蔽值。

参数

  • num_thresholds:(可选)离散化 ROC 曲线时使用的阈值数量。值必须大于 1。默认为 200
  • curve:(可选)指定要计算的曲线名称,'ROC'(默认)或 'PR' 用于精确率-召回率曲线。
  • summation_method:(可选)指定使用的黎曼和方法。“interpolation”(默认)对 ROC 应用中点求和方案。对于 PR-AUC,插值(真/假)阳性,但不插值精确率比率(有关详细信息,请参阅 Davis & Goadrich 2006);“minoring”对递增区间应用左求和,对递减区间应用右求和;“majoring”则相反。
  • name:(可选)指标实例的字符串名称。
  • dtype:(可选)指标结果的数据类型。
  • thresholds:(可选)浮点值列表,用作离散化曲线的阈值。如果设置,则忽略 num_thresholds 参数。值应在 [0, 1] 范围内。对于一个小的正 epsilon 值,会自动包含等于 {-epsilon, 1+epsilon} 的端点阈值,以正确处理等于 0 或 1 的精确预测。
  • multi_label:布尔值,指示多标签数据是否应如此处理,其中 AUC 为每个标签单独计算,然后跨标签平均,或者(当 False 时)数据是否应在 AUC 计算之前展平为单个标签。在后一种情况下,当将多标签数据传递给 AUC 时,每个标签-预测对都被视为一个单独的数据点。对于多类数据应设置为 False
  • num_labels:(可选)标签数量,当 multi_label 为 True 时使用。如果未指定 num_labels,则在第一次调用 update_state 时创建状态变量。
  • label_weights:(可选)用于计算多标签数据的 AUC 的非负权重列表、数组或张量。当 multi_label 为 True 时,在将单个标签 AUC 平均以生成多标签 AUC 时,权重会应用于单个标签 AUC。当为 False 时,它们用于在计算展平数据上的混淆矩阵时加权单个标签预测。请注意,这与 class_weights 不同,因为 class_weights 根据其标签的值加权示例,而 label_weights 仅取决于展平之前该标签的索引;因此,label_weights 不应用于多类数据。
  • from_logits:布尔值,指示预测(update_state 中的 y_pred)是概率还是 sigmoid 对数。根据经验法则,当使用 keras 损失时,损失的 from_logits 构造函数参数应与 AUC from_logits 构造函数参数匹配。

示例

>>> m = keras.metrics.AUC(num_thresholds=3)
>>> m.update_state([0, 0, 1, 1], [0, 0.5, 0.3, 0.9])
>>> # threshold values are [0 - 1e-7, 0.5, 1 + 1e-7]
>>> # tp = [2, 1, 0], fp = [2, 0, 0], fn = [0, 1, 2], tn = [0, 2, 2]
>>> # tp_rate = recall = [1, 0.5, 0], fp_rate = [1, 0, 0]
>>> # auc = ((((1 + 0.5) / 2) * (1 - 0)) + (((0.5 + 0) / 2) * (0 - 0)))
>>> #     = 0.75
>>> m.result()
0.75
>>> m.reset_state()
>>> m.update_state([0, 0, 1, 1], [0, 0.5, 0.3, 0.9],
...                sample_weight=[1, 0, 0, 1])
>>> m.result()
1.0

compile() API 一起使用

# Reports the AUC of a model outputting a probability.
model.compile(optimizer='sgd',
              loss=keras.losses.BinaryCrossentropy(),
              metrics=[keras.metrics.AUC()])

# Reports the AUC of a model outputting a logit.
model.compile(optimizer='sgd',
              loss=keras.losses.BinaryCrossentropy(from_logits=True),
              metrics=[keras.metrics.AUC(from_logits=True)])

[源代码]

Precision

keras.metrics.Precision(
    thresholds=None, top_k=None, class_id=None, name=None, dtype=None
)

计算预测相对于标签的精确率。

该指标创建两个局部变量:true_positivesfalse_positives,用于计算精确率。该值最终以 precision 返回,这是一个幂等操作,简单地将 true_positives 除以 true_positivesfalse_positives 的和。

如果 sample_weightNone,则权重默认为 1。使用 sample_weight 为 0 来屏蔽值。

如果设置了 top_k,我们将计算精确率,即批次条目中预测值最高的 top-k 类别中,有多少类是正确的并且可以在该条目的标签中找到。

如果指定了 class_id,我们将仅考虑批次中 class_id 高于阈值和/或在 top-k 最高预测中的条目来计算精确率,并计算其中 class_id 确实是正确标签的分数。

参数

  • thresholds:(可选)一个浮点值,或一个 [0, 1] 范围内的浮点阈值 Python 列表/元组。阈值与预测值进行比较以确定预测的真值(即,高于阈值为 True,低于阈值为 False)。如果与设置 from_logits=True 的损失函数一起使用(即未对预测应用 sigmoid),则 thresholds 应设置为 0。每个阈值会生成一个指标值。如果既未设置 thresholds 也未设置 top_k,则默认使用 thresholds=0.5 计算精确率。
  • top_k:(可选)默认为未设置。一个整数值,指定计算精确率时要考虑的 top-k 预测。
  • class_id:(可选)我们想要二元指标的整数类 ID。这必须在半开区间 [0, num_classes) 内,其中 num_classes 是预测的最后一维。
  • name:(可选)指标实例的字符串名称。
  • dtype:(可选)指标结果的数据类型。

示例

>>> m = keras.metrics.Precision()
>>> m.update_state([0, 1, 1, 1], [1, 0, 1, 1])
>>> m.result()
0.6666667
>>> m.reset_state()
>>> m.update_state([0, 1, 1, 1], [1, 0, 1, 1], sample_weight=[0, 0, 1, 0])
>>> m.result()
1.0
>>> # With top_k=2, it will calculate precision over y_true[:2]
>>> # and y_pred[:2]
>>> m = keras.metrics.Precision(top_k=2)
>>> m.update_state([0, 0, 1, 1], [1, 1, 1, 1])
>>> m.result()
0.0
>>> # With top_k=4, it will calculate precision over y_true[:4]
>>> # and y_pred[:4]
>>> m = keras.metrics.Precision(top_k=4)
>>> m.update_state([0, 0, 1, 1], [1, 1, 1, 1])
>>> m.result()
0.5

compile() API 一起使用

model.compile(optimizer='sgd',
              loss='binary_crossentropy',
              metrics=[keras.metrics.Precision()])

from_logits=True 的损失一起使用

model.compile(optimizer='adam',
              loss=keras.losses.BinaryCrossentropy(from_logits=True),
              metrics=[keras.metrics.Precision(thresholds=0)])

[源代码]

Recall

keras.metrics.Recall(
    thresholds=None, top_k=None, class_id=None, name=None, dtype=None
)

计算预测相对于标签的召回率。

该指标创建两个局部变量:true_positivesfalse_negatives,用于计算召回率。该值最终以 recall 返回,这是一个幂等操作,简单地将 true_positives 除以 true_positivesfalse_negatives 的和。

如果 sample_weightNone,则权重默认为 1。使用 sample_weight 为 0 来屏蔽值。

如果设置了 top_k,召回率将计算为批次条目标签中,top-k 预测中包含某个类别的平均频率。

如果指定了 class_id,我们将仅考虑批次中 class_id 包含在标签中的条目来计算召回率,并计算其中 class_id 高于阈值和/或在 top-k 预测中的分数。

参数

  • thresholds:(可选)一个浮点值,或一个 [0, 1] 范围内的浮点阈值 Python 列表/元组。阈值与预测值进行比较以确定预测的真值(即,高于阈值为 True,低于阈值为 False)。如果与设置 from_logits=True 的损失函数一起使用(即未对预测应用 sigmoid),则 thresholds 应设置为 0。每个阈值会生成一个指标值。如果既未设置 thresholds 也未设置 top_k,则默认使用 thresholds=0.5 计算召回率。
  • top_k:(可选)默认为未设置。一个整数值,指定计算召回率时要考虑的 top-k 预测。
  • class_id:(可选)我们想要二元指标的整数类 ID。这必须在半开区间 [0, num_classes) 内,其中 num_classes 是预测的最后一维。
  • name:(可选)指标实例的字符串名称。
  • dtype:(可选)指标结果的数据类型。

示例

>>> m = keras.metrics.Recall()
>>> m.update_state([0, 1, 1, 1], [1, 0, 1, 1])
>>> m.result()
0.6666667
>>> m.reset_state()
>>> m.update_state([0, 1, 1, 1], [1, 0, 1, 1], sample_weight=[0, 0, 1, 0])
>>> m.result()
1.0

compile() API 一起使用

model.compile(optimizer='sgd',
              loss='binary_crossentropy',
              metrics=[keras.metrics.Recall()])

from_logits=True 的损失一起使用

model.compile(optimizer='adam',
              loss=keras.losses.BinaryCrossentropy(from_logits=True),
              metrics=[keras.metrics.Recall(thresholds=0)])

[源代码]

TruePositives

keras.metrics.TruePositives(thresholds=None, name=None, dtype=None)

计算真阳性数量。

如果给定 sample_weight,则计算真阳性权重的总和。此指标创建一个局部变量 true_positives,用于跟踪真阳性数量。

如果 sample_weightNone,则权重默认为 1。使用 sample_weight 为 0 来屏蔽值。

参数

  • thresholds:(可选)默认为 0.5。一个浮点值,或一个 [0, 1] 范围内的浮点阈值 Python 列表/元组。阈值与预测值进行比较以确定预测的真值(即,高于阈值为 True,低于阈值为 False)。如果与设置 from_logits=True 的损失函数一起使用(即未对预测应用 sigmoid),则 thresholds 应设置为 0。每个阈值会生成一个指标值。
  • name:(可选)指标实例的字符串名称。
  • dtype:(可选)指标结果的数据类型。

示例

>>> m = keras.metrics.TruePositives()
>>> m.update_state([0, 1, 1, 1], [1, 0, 1, 1])
>>> m.result()
2.0
>>> m.reset_state()
>>> m.update_state([0, 1, 1, 1], [1, 0, 1, 1], sample_weight=[0, 0, 1, 0])
>>> m.result()
1.0

[源代码]

TrueNegatives

keras.metrics.TrueNegatives(thresholds=None, name=None, dtype=None)

计算真阴性数量。

如果给定 sample_weight,则计算真阴性权重的总和。此指标创建一个局部变量 accumulator,用于跟踪真阴性数量。

如果 sample_weightNone,则权重默认为 1。使用 sample_weight 为 0 来屏蔽值。

参数

  • thresholds:(可选)默认为 0.5。一个浮点值,或一个 [0, 1] 范围内的浮点阈值 Python 列表/元组。阈值与预测值进行比较以确定预测的真值(即,高于阈值为 True,低于阈值为 False)。如果与设置 from_logits=True 的损失函数一起使用(即未对预测应用 sigmoid),则 thresholds 应设置为 0。每个阈值会生成一个指标值。
  • name:(可选)指标实例的字符串名称。
  • dtype:(可选)指标结果的数据类型。

示例

>>> m = keras.metrics.TrueNegatives()
>>> m.update_state([0, 1, 0, 0], [1, 1, 0, 0])
>>> m.result()
2.0
>>> m.reset_state()
>>> m.update_state([0, 1, 0, 0], [1, 1, 0, 0], sample_weight=[0, 0, 1, 0])
>>> m.result()
1.0

[源代码]

FalsePositives

keras.metrics.FalsePositives(thresholds=None, name=None, dtype=None)

计算假阳性数量。

如果给定 sample_weight,则计算假阳性权重的总和。此指标创建一个局部变量 accumulator,用于跟踪假阳性数量。

如果 sample_weightNone,则权重默认为 1。使用 sample_weight 为 0 来屏蔽值。

参数

  • thresholds:(可选)默认为 0.5。一个浮点值,或一个 [0, 1] 范围内的浮点阈值 Python 列表/元组。阈值与预测值进行比较以确定预测的真值(即,高于阈值为 True,低于阈值为 False)。如果与设置 from_logits=True 的损失函数一起使用(即未对预测应用 sigmoid),则 thresholds 应设置为 0。每个阈值会生成一个指标值。
  • name:(可选)指标实例的字符串名称。
  • dtype:(可选)指标结果的数据类型。

示例

>>> m = keras.metrics.FalsePositives()
>>> m.update_state([0, 1, 0, 0], [0, 0, 1, 1])
>>> m.result()
2.0
>>> m.reset_state()
>>> m.update_state([0, 1, 0, 0], [0, 0, 1, 1], sample_weight=[0, 0, 1, 0])
>>> m.result()
1.0

[源代码]

FalseNegatives

keras.metrics.FalseNegatives(thresholds=None, name=None, dtype=None)

计算假阴性数量。

如果给定 sample_weight,则计算假阴性权重的总和。此指标创建一个局部变量 accumulator,用于跟踪假阴性数量。

如果 sample_weightNone,则权重默认为 1。使用 sample_weight 为 0 来屏蔽值。

参数

  • thresholds:(可选)默认为 0.5。一个浮点值,或一个 [0, 1] 范围内的浮点阈值 Python 列表/元组。阈值与预测值进行比较以确定预测的真值(即,高于阈值为 True,低于阈值为 False)。如果与设置 from_logits=True 的损失函数一起使用(即未对预测应用 sigmoid),则 thresholds 应设置为 0。每个阈值会生成一个指标值。
  • name:(可选)指标实例的字符串名称。
  • dtype:(可选)指标结果的数据类型。

示例

>>> m = keras.metrics.FalseNegatives()
>>> m.update_state([0, 1, 1, 1], [0, 1, 0, 0])
>>> m.result()
2.0
>>> m.reset_state()
>>> m.update_state([0, 1, 1, 1], [0, 1, 0, 0], sample_weight=[0, 0, 1, 0])
>>> m.result()
1.0

[源代码]

PrecisionAtRecall

keras.metrics.PrecisionAtRecall(
    recall, num_thresholds=200, class_id=None, name=None, dtype=None
)

计算召回率大于等于指定值时的最佳精确率。

此指标创建四个局部变量:true_positivestrue_negativesfalse_positivesfalse_negatives,用于计算给定召回率下的精确率。计算给定召回率值的阈值并用于评估相应的精确率。

如果 sample_weightNone,则权重默认为 1。使用 sample_weight 为 0 来屏蔽值。

如果指定了 class_id,我们将仅考虑批次中 class_id 高于阈值预测的条目来计算精确率,并计算其中 class_id 确实是正确标签的分数。

参数

  • recall:范围为 [0, 1] 的标量值。
  • num_thresholds:(可选)默认为 200。用于匹配给定召回率的阈值数量。
  • class_id:(可选)我们想要二元指标的整数类 ID。这必须在半开区间 [0, num_classes) 内,其中 num_classes 是预测的最后一维。
  • name:(可选)指标实例的字符串名称。
  • dtype:(可选)指标结果的数据类型。

示例

>>> m = keras.metrics.PrecisionAtRecall(0.5)
>>> m.update_state([0, 0, 0, 1, 1], [0, 0.3, 0.8, 0.3, 0.8])
>>> m.result()
0.5
>>> m.reset_state()
>>> m.update_state([0, 0, 0, 1, 1], [0, 0.3, 0.8, 0.3, 0.8],
...                sample_weight=[2, 2, 2, 1, 1])
>>> m.result()
0.33333333

compile() API 一起使用

model.compile(
    optimizer='sgd',
    loss='binary_crossentropy',
    metrics=[keras.metrics.PrecisionAtRecall(recall=0.8)])

[源代码]

RecallAtPrecision

keras.metrics.RecallAtPrecision(
    precision, num_thresholds=200, class_id=None, name=None, dtype=None
)

计算精确率大于等于指定值时的最佳召回率。

对于给定的分数-标签分布,可能无法实现所需的精确率,在这种情况下,召回率返回 0.0。

此指标创建四个局部变量:true_positivestrue_negativesfalse_positivesfalse_negatives,用于计算给定精确率下的召回率。计算给定精确率值的阈值并用于评估相应的召回率。

如果 sample_weightNone,则权重默认为 1。使用 sample_weight 为 0 来屏蔽值。

如果指定了 class_id,我们将仅考虑批次中 class_id 高于阈值预测的条目来计算精确率,并计算其中 class_id 确实是正确标签的分数。

参数

  • precision:范围为 [0, 1] 的标量值。
  • num_thresholds:(可选)默认为 200。用于匹配给定精确率的阈值数量。
  • class_id:(可选)我们想要二元指标的整数类 ID。这必须在半开区间 [0, num_classes) 内,其中 num_classes 是预测的最后一维。
  • name:(可选)指标实例的字符串名称。
  • dtype:(可选)指标结果的数据类型。

示例

>>> m = keras.metrics.RecallAtPrecision(0.8)
>>> m.update_state([0, 0, 1, 1], [0, 0.5, 0.3, 0.9])
>>> m.result()
0.5
>>> m.reset_state()
>>> m.update_state([0, 0, 1, 1], [0, 0.5, 0.3, 0.9],
...                sample_weight=[1, 0, 0, 1])
>>> m.result()
1.0

compile() API 一起使用

model.compile(
    optimizer='sgd',
    loss='binary_crossentropy',
    metrics=[keras.metrics.RecallAtPrecision(precision=0.8)])

[源代码]

SensitivityAtSpecificity

keras.metrics.SensitivityAtSpecificity(
    specificity, num_thresholds=200, class_id=None, name=None, dtype=None
)

计算特异度大于等于指定值时的最佳敏感度。

Sensitivity 衡量实际阳性被正确识别为阳性的比例 (tp / (tp + fn))Specificity 衡量实际阴性被正确识别为阴性的比例 (tn / (tn + fp))

此指标创建四个局部变量:true_positivestrue_negativesfalse_positivesfalse_negatives,用于计算给定特异度下的敏感度。计算给定特异度值的阈值并用于评估相应的敏感度。

如果 sample_weightNone,则权重默认为 1。使用 sample_weight 为 0 来屏蔽值。

如果指定了 class_id,我们将仅考虑批次中 class_id 高于阈值预测的条目来计算精确率,并计算其中 class_id 确实是正确标签的分数。

有关特异度和敏感度的更多信息,请参阅此处

参数

  • specificity:范围为 [0, 1] 的标量值。
  • num_thresholds:(可选)默认为 200。用于匹配给定特异度的阈值数量。
  • class_id:(可选)我们想要二元指标的整数类 ID。这必须在半开区间 [0, num_classes) 内,其中 num_classes 是预测的最后一维。
  • name:(可选)指标实例的字符串名称。
  • dtype:(可选)指标结果的数据类型。

示例

>>> m = keras.metrics.SensitivityAtSpecificity(0.5)
>>> m.update_state([0, 0, 0, 1, 1], [0, 0.3, 0.8, 0.3, 0.8])
>>> m.result()
0.5
>>> m.reset_state()
>>> m.update_state([0, 0, 0, 1, 1], [0, 0.3, 0.8, 0.3, 0.8],
...                sample_weight=[1, 1, 2, 2, 1])
>>> m.result()
0.333333

compile() API 一起使用

model.compile(
    optimizer='sgd',
    loss='binary_crossentropy',
    metrics=[keras.metrics.SensitivityAtSpecificity(specificity=0.5)])

[源代码]

SpecificityAtSensitivity

keras.metrics.SpecificityAtSensitivity(
    sensitivity, num_thresholds=200, class_id=None, name=None, dtype=None
)

计算敏感度大于等于指定值时的最佳特异度。

Sensitivity 衡量实际阳性被正确识别为阳性的比例 (tp / (tp + fn))Specificity 衡量实际阴性被正确识别为阴性的比例 (tn / (tn + fp))

此指标创建四个局部变量:true_positivestrue_negativesfalse_positivesfalse_negatives,用于计算给定敏感度下的特异度。计算给定敏感度值的阈值并用于评估相应的特异度。

如果 sample_weightNone,则权重默认为 1。使用 sample_weight 为 0 来屏蔽值。

如果指定了 class_id,我们将仅考虑批次中 class_id 高于阈值预测的条目来计算精确率,并计算其中 class_id 确实是正确标签的分数。

有关特异度和敏感度的更多信息,请参阅此处

参数

  • sensitivity:范围为 [0, 1] 的标量值。
  • num_thresholds:(可选)默认为 200。用于匹配给定敏感度的阈值数量。
  • class_id:(可选)我们想要二元指标的整数类 ID。这必须在半开区间 [0, num_classes) 内,其中 num_classes 是预测的最后一维。
  • name:(可选)指标实例的字符串名称。
  • dtype:(可选)指标结果的数据类型。

示例

>>> m = keras.metrics.SpecificityAtSensitivity(0.5)
>>> m.update_state([0, 0, 0, 1, 1], [0, 0.3, 0.8, 0.3, 0.8])
>>> m.result()
0.66666667
>>> m.reset_state()
>>> m.update_state([0, 0, 0, 1, 1], [0, 0.3, 0.8, 0.3, 0.8],
...                sample_weight=[1, 1, 2, 2, 2])
>>> m.result()
0.5

compile() API 一起使用

model.compile(
    optimizer='sgd',
    loss='binary_crossentropy',
    metrics=[keras.metrics.SpecificityAtSensitivity(sensitivity=0.3)])

[源代码]

F1Score

keras.metrics.F1Score(average=None, threshold=None, name="f1_score", dtype=None)

计算 F-1 分数。

公式

f1_score = 2 * (precision * recall) / (precision + recall)

这是精确率和召回率的调和平均值。其输出范围为 [0, 1]。它适用于多类和多标签分类。

参数

  • average:对数据执行的平均类型。可接受的值为 None"micro""macro""weighted"。默认为 None。如果为 None,则不执行平均,并且 result() 将返回每个类别的分数。如果为 "micro",则通过计算总的真阳性、假阴性和假阳性来全局计算指标。如果为 "macro",则为每个标签计算指标,并返回它们的未加权平均值。这不考虑标签不平衡。如果为 "weighted",则为每个标签计算指标,并返回其按支持(每个标签的真实实例数)加权的平均值。这会改变 "macro" 以考虑标签不平衡。它可能导致分数不在精确率和召回率之间。
  • threshold:将 y_pred 中大于 threshold 的元素转换为 1,其余转换为 0。如果 thresholdNone,则将 y_pred 的 argmax 转换为 1,其余转换为 0。
  • name:可选。指标实例的字符串名称。
  • dtype:可选。指标结果的数据类型。

返回

  • F-1 Score:浮点数。

示例

>>> metric = keras.metrics.F1Score(threshold=0.5)
>>> y_true = np.array([[1, 1, 1],
...                    [1, 0, 0],
...                    [1, 1, 0]], np.int32)
>>> y_pred = np.array([[0.2, 0.6, 0.7],
...                    [0.2, 0.6, 0.6],
...                    [0.6, 0.8, 0.0]], np.float32)
>>> metric.update_state(y_true, y_pred)
>>> result = metric.result()
array([0.5      , 0.8      , 0.6666667], dtype=float32)

[源代码]

FBetaScore

keras.metrics.FBetaScore(
    average=None, beta=1.0, threshold=None, name="fbeta_score", dtype=None
)

计算 F-Beta 分数。

公式

b2 = beta ** 2
f_beta_score = (1 + b2) * (precision * recall) / (precision * b2 + recall)

这是精确率和召回率的加权调和平均值。其输出范围为 [0, 1]。它适用于多类和多标签分类。

参数

  • average:在多类情况下对每个类别的结果执行的平均类型。可接受的值为 None"micro""macro""weighted"。默认为 None。如果为 None,则不执行平均,并且 result() 将返回每个类别的分数。如果为 "micro",则通过计算总的真阳性、假阴性和假阳性来全局计算指标。如果为 "macro",则为每个标签计算指标,并返回它们的未加权平均值。这不考虑标签不平衡。如果为 "weighted",则为每个标签计算指标,并返回其按支持(每个标签的真实实例数)加权的平均值。这会改变 "macro" 以考虑标签不平衡。它可能导致分数不在精确率和召回率之间。
  • beta:确定在精确率和召回率之间的调和平均值中,召回率的权重(参见上面的伪代码方程)。默认为 1
  • threshold:将 y_pred 中大于 threshold 的元素转换为 1,其余转换为 0。如果 thresholdNone,则将 y_pred 的 argmax 转换为 1,其余转换为 0。
  • name:可选。指标实例的字符串名称。
  • dtype:可选。指标结果的数据类型。

返回

  • F-Beta Score:浮点数。

示例

>>> metric = keras.metrics.FBetaScore(beta=2.0, threshold=0.5)
>>> y_true = np.array([[1, 1, 1],
...                    [1, 0, 0],
...                    [1, 1, 0]], np.int32)
>>> y_pred = np.array([[0.2, 0.6, 0.7],
...                    [0.2, 0.6, 0.6],
...                    [0.6, 0.8, 0.0]], np.float32)
>>> metric.update_state(y_true, y_pred)
>>> result = metric.result()
>>> result
[0.3846154 , 0.90909094, 0.8333334 ]