torcheval.metrics.functional.weighted_calibration

torcheval.metrics.functional.weighted_calibration(input: Tensor, target: Tensor, weight: float | int | Tensor = 1.0, *, num_tasks: int = 1) → Tensor

计算加权校准指标。当未提供权重时，它会计算未加权的校准。它的类版本是 torcheval.metrics.WeightedCalibration.

weighted_calibration = sum(input * weight) / sum(target * weight)

参数：:

• input (Tensor) – 输入值的张量。

• target (Tensor) – 二进制目标的张量

• weight (可选) – 输入权重的浮点数或整数或张量。默认值为 1.0。如果权重是张量，则它的尺寸应该与输入张量尺寸匹配。

• num_tasks (int) – 需要加权校准计算的任务数量。默认值为 1。

返回值：:

每个任务（num_tasks,）的加权校准返回值。

返回类型：:

张量

引发：:

ValueError – 如果权重值既不是 float 也不是 int 也不是与输入张量尺寸匹配的 torch.Tensor。

示例

>>> import torch
>>> from torcheval.metrics.functional import weighted_calibration
>>> weighted_calibration(torch.tensor([0.8, 0.4, 0.3, 0.8, 0.7, 0.6]),torch.tensor([1, 1, 0, 0, 1, 0]))
tensor([1.2])

>>> weighted_calibration(torch.tensor([0.8, 0.4, 0.3, 0.8, 0.7, 0.6]),torch.tensor([1, 1, 0, 0, 1, 0]), torch.tensor([0.5, 1., 2., 0.4, 1.3, 0.9]))
tensor([1.1321])

>>> weighted_calibration(
        torch.tensor([[0.8, 0.4], [0.8, 0.7]]),
        torch.tensor([[1, 1], [0, 1]]),
        num_tasks=2,
    ),
>>> tensor([0.6000, 1.5000])