torcheval.metrics.BinaryBinnedPrecisionRecallCurve

class torcheval.metrics.BinaryBinnedPrecisionRecallCurve(*, threshold: int | List[float] | Tensor = 100, device: device | None = None)

使用给定阈值计算精确率-召回率曲线。其函数版本为 torcheval.metrics.functional.binary_binned_precision_recall_curve()。

参数：

threshold (Union[int, List[float], torch.Tensor], Optional) – 表示区间数的整数，阈值列表或阈值张量。

示例

>>> import torch
>>> from torcheval.metrics import BinaryBinnedPrecisionRecallCurve
>>> input = torch.tensor([0.2, 0.8, 0.5, 0.9])
>>> target = torch.tensor([0, 1, 0, 1])
>>> threshold = 5
>>> metric = BinaryBinnedPrecisionRecallCurve(threshold)
>>> metric.update(input, target)
>>> metric.compute()
(tensor([0.5000, 0.6667, 0.6667, 1.0000, 1.0000, 1.0000]),
tensor([1., 1., 1., 1., 0., 0.]),
tensor([0.0000, 0.2500, 0.5000, 0.7500, 1.0000]))

>>> input = torch.tensor([0.2, 0.3, 0.4, 0.5])
>>> target = torch.tensor([0, 0, 1, 1])
>>> threshold = torch.tensor([0.0000, 0.2500, 0.7500, 1.0000])
>>> metric = BinaryBinnedPrecisionRecallCurve(threshold)
>>> metric.update(input, target)
>>> metric.compute()
(tensor([0.5000, 0.6667, 1.0000, 1.0000, 1.0000]),
tensor([1., 1., 0., 0., 0.]),
tensor([0.0000, 0.2500, 0.7500, 1.0000]))

__init__(*, threshold: int | List[float] | Tensor = 100, device: device | None = None) → None

初始化度量对象及其内部状态。

使用 self._add_state() 初始化度量类状态变量。状态变量应为 torch.Tensor、torch.Tensor 列表、以 torch.Tensor 作为值的字典或 torch.Tensor 的双端队列。

方法

__init__(*[, threshold, device])	初始化度量对象及其内部状态。
计算()	返回值： precision (张量)：精确率结果的张量。其形状为 (n_thresholds + 1, )
load_state_dict(state_dict[, strict])	从 state_dict 加载度量状态变量。
merge_state(metrics)	实现此方法以更新当前度量的状态变量，使其成为当前度量和输入度量的合并状态。
重置()	将度量状态变量重置为其默认值。
state_dict()	在 state_dict 中保存度量状态变量。
to(device, *args, **kwargs)	将度量状态变量中的张量移动到设备。
update(input, target)	使用真实标签和预测更新状态。

属性

设备	Metric.to() 的最后一个输入设备。