- Activation
- Derivative
- Loss
- LossGradient
- RegressionMetric
- ConfusionMatrix
- ConfusionMatrixMultilabel
- ClassificationMetric
- ClassificationScore
- PrecisionRecall
- ReceiverOperatingCharacteristic
PrecisionRecall
Bir kesinlik-duyarlılık eğrisi oluşturmak için değerleri hesaplar. ClassificationScore'a benzer şekilde, bu metot da doğru değerler vektörüne uygulanır.
bool vector::PrecisionRecall(
|
Parametreler
pred_scores
[in] Her sınıf için olasılıkları içeren bir dizi yatay vektöre sahip bir matris. Matris satırlarının sayısı, doğru değerler vektörünün büyüklüğüne karşılık gelmelidir.
mode
[in] ENUM_AVERAGE_MODE numaralandırmasından ortalama alma modu. Yalnızca AVERAGE_NONE, AVERAGE_BINARY ve AVERAGE_MICRO kullanılır.
precision
[out] Hesaplanan kesinlik eğrisi değerlerini içeren bir matris. Ortalama alma uygulanmazsa (AVERAGE_NONE), matristeki satır sayısı model sınıflarının sayısına karşılık gelir. Sütun sayısı, doğru değerler vektörünün büyüklüğüne (veya pred_score olasılık dağılımı matrisindeki satır sayısına) karşılık gelir. Mikro ortalama alma durumunda, matristeki satır sayısı, yinelenenler hariç olmak üzere toplam eşik değeri sayısına karşılık gelir.
recall
[out] Hesaplanan duyarlılık eğrisi değerlerini içeren bir matris.
threshold
[out] Olasılık matrisinin sıralanmasıyla elde edilen eşik matrisi.
Not
ClassificationScore metodu için notlara bakın.
Örnek:
mnist.onnx modelinden istatistik toplama örneği (%99 doğruluk).
//--- sınıflandırma metrikleri için veriler
//--- girdi-çıktı
//--- test
//--- verileri topla
|
vectorf accuracy=y_pred.ClassificationMetric(y_true,CLASSIFICATION_ACCURACY);
|
Kesinlik değerlerinin y ekseninde ve duyarlılık değerlerinin x ekseninde çizildiği bir kesinlik-duyarlılık grafiği örneği. Ayrıca, kesinlik ve duyarlılık grafiklerinin ayrı ayrı çizildiği ve eşik değerlerinin x ekseninde gösterildiği bir başka örnek.
if(y_true.PrecisionRecall(y_scores,AVERAGE_MICRO,mat_precision,mat_recall,mat_thres))
|
Ortaya çıkan eğriler: