Класс Accuracy
Класс Accuracy вычисляет точность (accuracy) - метрику, показывающую долю правильных ответов модели. Метрика сравнивает предсказанные классы с истинными метками и возвращает значение от 0 до 1. Первым параметром передается имя метрики, вторым - функция потерь для преобразования логитов, третьим - порог для бинарной классификации.
Синтаксис
tf.keras.metrics.Accuracy(name="accuracy", dtype=None)
Пример
Давайте создадим метрику Accuracy и вычислим точность для двух примеров:
import tensorflow as tf
m = tf.keras.metrics.Accuracy()
m.update_state([0, 1, 1, 0], [0, 1, 0, 0])
res = m.result()
print(res.numpy())
Результат выполнения кода:
0.75
Пример
Давайте вычислим точность для тензоров с целочисленными метками:
import tensorflow as tf
y_true = tf.constant([1, 0, 1, 1])
y_pred = tf.constant([1, 1, 1, 0])
m = tf.keras.metrics.Accuracy()
m.update_state(y_true, y_pred)
res = m.result()
print(res.numpy())
Результат выполнения кода:
0.5
Пример
Давайте сбросим состояние метрики после вычисления:
import tensorflow as tf
m = tf.keras.metrics.Accuracy()
m.update_state([1, 1, 0], [1, 0, 0])
res1 = m.result()
print(res1.numpy())
m.reset_state()
m.update_state([0, 0, 0], [0, 0, 0])
res2 = m.result()
print(res2.numpy())
Результат выполнения кода:
0.6666667
1.0
Смотрите также
-
класс
BinaryAccuracy,
который вычисляет точность бинарной классификации -
класс
CategoricalAccuracy,
который вычисляет точность для категориальных меток -
класс
SparseCategoricalAccuracy,
который вычисляет точность для разреженных меток -
класс
TopKCategoricalAccuracy,
который вычисляет точность по top-K предсказаниям
