torcheval.metrics.functional.multiclass_precision

torcheval.metrics.functional.multiclass_precision(input: Tensor, target: Tensor, *, num_classes: int | None = None, average: str | None = 'micro') → Tensor

计算精确率得分，它是真阳性 (TP) 与分类为阳性的总点数 (TP + FP) 之比。其类版本为 torcheval.metrics.MultiClassPrecision。

参数：

• input (Tensor) – 标签预测的张量 它可以是预测的标签，形状为 (n_sample, )。它也可以是概率或 logits，形状为 (n_sample, n_class)。torch.argmax 将用于将输入转换为预测标签。

• target (Tensor) – 形状为 (n_sample, ) 的真实标签张量。

• num_classes – 类别数量。

• average –

  • 'micro' [默认]

    通过使用所有类别中所有真阳性和假阳性的总和来全局计算指标。

  • 'macro':

    分别为每个类别计算指标，并返回其未加权平均值。忽略具有 0 个真实例和预测实例的类别。

  • 'weighted':

    分别为每个类别计算指标，并返回其加权平均值，权重为 target 张量中每个类别的实例数。忽略具有 0 个真实例和预测实例的类别。

  • None:

    分别为每个类别计算指标，并返回每个类别的指标。如果一个类别在 target 中没有样本，则返回 NaN。

示例

>>> import torch
>>> from torcheval.metrics.functional import multiclass_precision
>>> input = torch.tensor([0, 2, 1, 3])
>>> target = torch.tensor([0, 1, 2, 3])
>>> multiclass_precision(input, target)
tensor(0.5)
>>> multiclass_precision(input, target, average=None, num_classes=4)
tensor([1., 0., 0., 1.])
>>> multiclass_precision(input, target, average="macro", num_classes=4)
tensor(0.5)
>>> 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]])
>>> multiclass_precision(input, target)
tensor(0.5)