Precision¶

class paddle.metric. Precision [源代码] ¶

精确率Precision(也称为 positive predictive value,正预测值)是被预测为正样例中实际为正的比例。 https://en.wikipedia.org/wiki/Evaluation_of_binary_classifiers 该类管理二分类任务的precision分数。

注意：这个metric只能用来评估二分类。

参数:¶

name (str，可选) – metric实例的名字，默认是'precision'。

代码示例:

独立使用示例:

              import numpy as np
import paddle

x = np.array([0.1, 0.5, 0.6, 0.7])
y = np.array([0, 1, 1, 1])

m = paddle.metric.Precision()
m.update(x, y)
res = m.accumulate()
print(res) # 1.0

             

在Model API中的示例:

              import numpy as np

import paddle
import paddle.nn as nn

class Data(paddle.io.Dataset):
    def __init__(self):
        super(Data, self).__init__()
        self.n = 1024
        self.x = np.random.randn(self.n, 10).astype('float32')
        self.y = np.random.randint(2, size=(self.n, 1)).astype('float32')

    def __getitem__(self, idx):
        return self.x[idx], self.y[idx]

    def __len__(self):
        return self.n

model = paddle.Model(nn.Sequential(
    nn.Linear(10, 1),
    nn.Sigmoid()
))
optim = paddle.optimizer.Adam(
    learning_rate=0.001, parameters=model.parameters())
model.prepare(
    optim,
    loss=nn.BCELoss(),
    metrics=paddle.metric.Precision())

data = Data()
model.fit(data, batch_size=16)

             

update ( preds, labels, *args ) ¶

更新Precision的状态。

参数:¶

preds (numpy.array | Tensor): 预测输出结果通常是sigmoid函数的输出，是一个数据类型为float64或float32的向量。

labels (numpy.array | Tensor): 真实标签的shape和:code: preds 相同，数据类型为int32或int64。

返回: 无。

reset ( ) ¶

清空状态和计算结果。

返回：无

accumulate ( ) ¶

累积的统计指标，计算和返回precision值。

返回：precision值，一个标量。

name ( ) ¶

返回Metric实例的名字, 参考上述的name，默认是'precision'。

返回: 评估的名字，string类型。