DCG 指标

`DCG` 类

keras_rs.metrics.DCG(
    k: int | None = None,
    gain_fn: Callable[[Any], Any] = default_gain_fn,
    rank_discount_fn: Callable[[Any], Any] = default_rank_discount_fn,
    **kwargs: Any
)

计算折扣累计增益 (DCG)。

此指标用于评估排名质量。它计算具有分级相关性得分的项目的总和，并根据位置应用可配置的折扣。该指标处理 y_true 中的真实相关性标签（分级相关性得分（非负数，值越高表示相关性越强））与 y_pred 中的预测得分。y_pred 中的得分用于通过降序排序来确定项目的排名顺序。得分是非负的，值越高表示排名质量越好（高度相关的项目排名越高）。单个列表的得分不受限制或未进行归一化，即它不在某个范围内。

对于 y_pred 中的每个预测得分列表 s 和 y_true 中相应的真实标签列表 y，每个查询的 DCG 分数计算如下：

DCG@k(y', w') = sum_{i=1}^{k} (gain_fn(y'_i) / rank_discount_fn(i))

其中

y'_i 是排名在位置 i 的项目的真实相关性得分（通过对 y_true 根据 y_pred 进行排序得到）。
gain_fn 是用户提供的将相关性 y'_i 映射到增益值的函数。默认函数 (default_gain_fn) 通常等同于 lambda y: 2**y - 1。
rank_discount_fn 是用户提供的将排名 i 映射到折扣值的函数。默认函数 (default_rank_discount_fn) 通常等同于 lambda rank: 1 / log2(rank + 1)。
最终结果聚合了这些每个列表的分数。

报告的最终 DCG 分数通常是数据集中所有查询/列表的这些每个查询分数的加权平均值。

注意：sample_weight 对于排名指标的处理方式不同。对于批处理输入，sample_weight 可以是标量、1D 或 2D。标量情况和 1D 情况（列表式权重）很直接。2D 情况（项式权重）不同，因为样本权重会聚合以获得 1D 权重。有关更多详细信息，请参阅 keras_rs.src.metrics.ranking_metrics_utils.get_list_weights。

参数

gain_fn：可调用对象。将相关性得分 (y_true) 映射到增益值。默认实现为 2**y - 1。
rank_discount_fn：函数。将排名位置映射到折扣值。默认实现 (default_rank_discount_fn) 为 1 / log2(rank + 1)。
k: int。要考虑的排名前 k 个项目的数量（“top-k”中的“k”）。必须是正整数。
shuffle_ties: bool。是否在排序前随机打乱分数。这样做是为了打破平局。默认为 True。
seed: int。用于打乱的随机种子。
name: 损失实例的可选名称。
dtype: 指标计算的数据类型。默认为 None，表示使用 keras.backend.floatx()。keras.backend.floatx() 默认为 "float32"，除非通过 keras.backend.set_floatx() 设置为其他值。如果提供了 keras.DTypePolicy，则将使用 compute_dtype。

示例

>>> batch_size = 2
>>> list_size = 5
>>> labels = np.random.randint(0, 3, size=(batch_size, list_size))
>>> scores = np.random.random(size=(batch_size, list_size))
>>> metric = keras_rs.metrics.DCG()(
...     y_true=labels, y_pred=scores
... )

屏蔽某些元素（可用于不均匀输入）

>>> batch_size = 2
>>> list_size = 5
>>> labels = np.random.randint(0, 3, size=(batch_size, list_size))
>>> scores = np.random.random(size=(batch_size, list_size))
>>> mask = np.random.randint(0, 2, size=(batch_size, list_size), dtype=bool)
>>> metric = keras_rs.metrics.DCG()(
...     y_true={"labels": labels, "mask": mask}, y_pred=scores
... )

DCG 指标

DCG 类

DCG 指标

DCG 类

`DCG` 类