torcheval.metrics.BinaryPrecision

class torcheval.metrics.BinaryPrecision(*, threshold: float = 0.5, device: device | None = None)

计算二分类任务的精确率得分，计算方法是真阳性数与真阳性数和假阳性数之和的比率。其函数版本为 torcheval.metrics.functional.binary_precision()。当预测标签中某些类别在预测标签中没有正实例（当 TP + FP = 0 时），我们将 NaN 转换为 0。

参数：

threshold (float, 默认值为 0.5) – 用于将输入转换为每个样本预测标签的阈值。 torch.where(input < threshold, 0, 1) 将应用于 input。

示例

>>> import torch
>>> from torcheval.metrics import BinaryPrecision
>>> metric = BinaryPrecision()
>>> input = torch.tensor([0, 1, 0, 1])
>>> target = torch.tensor([1, 0, 1, 1])
>>> metric.update(input, target)
>>> metric.compute()
tensor(0.5)  # 1 / 2

>>> metric = BinaryPrecision(threshold=0.7)
>>> input = torch.tensor([0, 0.9, 0.6, 0.7])
>>> target = torch.tensor([1, 0, 1, 1])
>>> metric.update(input, target)
>>> metric.compute()
tensor(0.5)  # 1 / 2

__init__(*, threshold: float = 0.5, 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 deque。

方法

__init__(*[, threshold, device])	初始化度量对象及其内部状态。
计算()	返回精确率得分。
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()	将度量状态变量保存在 state_dict 中。
to(device, *args, **kwargs)	将度量状态变量中的张量移动到设备。
update(input, target)	使用地面实况标签和预测更新状态。

属性

设备	Metric.to() 的最后一个输入设备。