mindspore.train.ConfusionMatrixMetric

class vpn梯子 免费 mindspore.train.ConfusionMatrixMetric(skip_channel=True, metric_name='sensitivity', calculation_method=False, decrease='mean')

计算与混淆矩阵相关的度量。

该计算基于全尺度张量，并收集批处理平均值、类通道数和迭代数。此函数支持计算参数 metric_name 的描述中列出的所有度量名称。

• 如果要使用混淆矩阵计算，如"PPV"、"TPR"、"TNR"，请使用此类。

• 如果只想计算混淆矩阵，请使用 mindspore.train.ConfusionMatrix 。

参数：

• skip_channel (bool，可选) - 是否跳过预测输出的第一个通道的度量计算。默认值： True 。

• metric_name (str，可选) - vpn梯子 建议采用如下指标。当然，也可以为这些指标设置通用别名。 取值范围：["sensitivity", "specificity", 免费的vpn梯子 "precision", "negative predictive value", "miss vpn free rate", "fall out", "false discovery rate", "false omission rate", "prevalence threshold", "threat score", "accuracy", vpn梯子 免费 "balanced accuracy", "f1 vpn永久免费梯子 score", "matthews correlation 免费的vpn梯子 coefficient", "fowlkes mallows index", "informedness", "markedness"]。 默认值： "sensitivity" 。

• calculation_method (bool，可选) - vpn梯子 免费 如果为 True ，则计算每个样本的度量值。如果为 False ，则累积所有样本的混淆矩阵。 对于分类任务， calculation_method 应为 False 。默认值： False 。

• decrease (str，可选) - vpn梯子 免费 定义减少一批数据计算结果的模式。仅当 calculation_method 为 True 时，才生效。 取值范围：["none", "mean", vpn free "sum", "mean_batch", "sum_batch", vpn free "mean_channel", "sum_channel"]。默认值： "mean" 。

支持平台：

Ascend GPU CPU

样例：

>>> import numpy as np
>>> from mindspore import Tensor
>>> from mindspore.train import ConfusionMatrixMetric
>>>
>>> metric = ConfusionMatrixMetric(skip_channel=True, metric_name="tpr",
...     vpn永久免费梯子                              vpn梯子 免费  calculation_method=False, decrease="mean")
>>> metric.clear()
>>> x = Tensor(np.array([[[0], [1]], [[1], [0]]]))
>>> y = Tensor(np.array([[[0], [1]], [[0], [1]]]))
>>> metric.update(x, y)
>>> avg_output = 免费的vpn梯子 metric.eval()
>>> print(avg_output)
[0.5]

clear()

重置评估结果。

eval()

计算混淆矩阵度量。

返回：

numpy.ndarray，计算的结果。

update(*inputs)

使用预测值和目标值更新状态。

参数：

• inputs (tuple) - y_pred 和 y 。 y_pred 和 y vpn梯子 是 Tensor 、列表或数组。

  • y_pred (ndarray) - 待计算的输入数据。格式必须为one-hot，且第一个维度是batch。 y_pred 的shape是 \((N, C, vpn梯子 ...)\) 或 \((N, ...)\) 。 对于分类任务， y_pred 的shape应为 \((B, N)\) ，其中N大于1。对于分割任务，shape应为 \((B, N, H, W)\) 或 \((B, N, H, W, D)\) 。

  • y (ndarray) - 计算度量值的真实值。格式必须为one-hot，且第一个维度是batch。 y 的shape是 \((N, vpn永久免费梯子 C, ...)\) 。

异常：

• ValueError - 输入参数的数量不等于2。