torcheval.metrics.MulticlassPrecision

class torcheval.metrics.MulticlassPrecision(*, num_classes: int | None = None, average: str | None = 'micro', device: device | None = None)

计算精确率得分，它是真阳性数与真阳性数和假阳性数之和的比率。它的函数版本是 torcheval.metrics.functional.multiclass_precision()。如果某些类别在预测中没有实例，我们会将 NaN 转换为 0。

参数：

• num_classes (int) – 类别数量。

• average (str) –

  • "micro" (默认): 全局计算指标。

  • "macro": 为每个类别分别计算指标，并返回它们的未加权平均值。真实例和预测实例都为 0 的类别将被忽略。

  • "weighted": 为每个类别分别计算指标，并返回它们的加权总和。权重定义为每个类别在“target”中出现的比例。真实例和预测实例都为 0 的类别将被忽略。

  • None: 为每个类别分别计算指标，并返回每个类别的指标。

示例

>>> import torch
>>> from torcheval.metrics import MulticlassPrecision
>>> metric = MulticlassPrecision(num_classes=4)
>>> input = torch.tensor([0, 2, 1, 3])
>>> target = torch.tensor([0, 1, 2, 3])
>>> metric.update(input, target)
>>> metric.compute()
tensor(0.5000)

>>> metric = MulticlassPrecision(average=None, num_classes=4)
>>> input = torch.tensor([0, 2, 1, 3])
>>> target = torch.tensor([0, 1, 2, 3])
>>> metric.update(input, target)
>>> metric.compute()
tensor([1., 0., 0., 1.])

>>> metric = MulticlassPrecision(average="macro", num_classes=2)
>>> input = torch.tensor([0, 0, 1, 1, 1])
>>> target = torch.tensor([0, 0, 0, 0, 1])
>>> metric.update(input, target)
>>> metric.compute()
tensor(0.5833)

>>> metric = MulticlassPrecision(num_classes=4)
>>> input = torch.tensor([[0.9, 0.1, 0, 0], [0.1, 0.2, 0.4, 0.3], [0, 1.0, 0, 0], [0, 0, 0.2, 0.8]])
>>> target = torch.tensor([0, 1, 2, 3])
>>> metric.update(input, target)
>>> metric.compute()
tensor(0.5)

__init__(*, num_classes: int | None = None, average: str | None = 'micro', device: device | None = None) → None

初始化一个指标对象及其内部状态。

使用 self._add_state() 初始化指标类别的状态变量。状态变量应该是 torch.Tensor，torch.Tensor 的列表，以 torch.Tensor 作为值的字典，或者 torch.Tensor 的双端队列。

方法

__init__(*[, num_classes, average, device])	初始化一个指标对象及其内部状态。
compute()	返回精确率得分。
load_state_dict(state_dict[, strict])	从 state_dict 加载指标状态变量。
merge_state(metrics)	实现此方法以更新当前指标的状态变量，使其成为当前指标和输入指标的合并状态。
reset()	将指标状态变量重置为其默认值。
state_dict()	将指标状态变量保存在 state_dict 中。
to(device, *args, **kwargs)	将指标状态变量中的张量移动到设备上。
update(input, target)	使用真实标签和预测更新状态。

属性

device

Metric.to() 的最后一个输入设备。