torcheval.metrics.BinaryPrecisionRecallCurve

class torcheval.metrics.BinaryPrecisionRecallCurve(*, device: device | None = None)

返回二元分类任务的精度-召回对及其对应的阈值。如果目标张量中缺少某个类别，则其召回值将设置为 1.0。

其函数式版本为 torcheval.metrics.functional.binary_precision_recall_curve().

>>> import torch
>>> from torcheval.metrics import BinaryPrecisionRecallCurve
>>> metric = BinaryPrecisionRecallCurve()
>>> input = torch.tensor([0.1, 0.5, 0.7, 0.8])
>>> target = torch.tensor([0, 0, 1, 1])
>>> metric.update(input, target)
>>> metric.compute()
(tensor([1., 1., 1.]),
tensor([1.0000, 0.5000, 0.0000]),
tensor([0.7000, 0.8000]))

__init__(*, device: device | None = None) → None

初始化度量对象及其内部状态。

使用 self._add_state() 初始化度量类的状态变量。状态变量应该为 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__(*[, device])	初始化度量对象及其内部状态。
计算()	返回值： 精度 (张量)：精度结果的张量。其形状为 (n_thresholds + 1, )
load_state_dict(state_dict[, strict])	从 state_dict 中加载度量状态变量。
merge_state(metrics)	实现此方法以将当前度量的状态变量更新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)	使用地面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。