指标¶
聚合指标¶
使用梯形法则计算曲线下面积 (AUC)。 |
|
沿维度 dim 连接所有输入张量。 |
|
计算所有输入张量中所有元素的最大值。 |
|
计算所有输入张量中所有元素的加权平均值。 |
|
计算所有输入张量中所有元素的最小值。 |
|
计算所有输入张量中所有元素的加权和。 |
|
计算吞吐量值,即每秒处理的元素数量。 |
分类指标¶
计算二元准确率得分,即输入与目标匹配的频率。 |
|
计算 AUPRC,也称为平均精度,即二元分类中精确率召回率曲线下的面积。 |
|
计算 AUROC,即二元分类中 ROC 曲线下的面积。 |
|
计算 AUROC,即二元分类中 ROC 曲线下的面积。 |
|
使用给定阈值计算精确率召回率曲线。 |
|
计算二元混淆矩阵,一个 2x2 的张量,包含计数 ( (真阳性,假阴性) , (假阳性,真阴性) ) |
|
计算二元 f1 分数,定义为精确率和召回率的调和平均数。 |
|
计算预测输入与地面真实二元目标之间的归一化二元交叉熵。 |
|
计算二元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。 |
|
返回二元分类任务的精确率召回率对及其对应的阈值。 |
|
计算二元分类任务的召回率得分,计算方法是真阳性数与真阳性数和假阴性数之和的比率。 |
|
返回给定最小精确率的最高可能召回率值,用于二元分类任务。 |
|
计算准确率得分,即输入与目标匹配的频率。 |
|
计算 AUPRC,也称为平均精度,即多元分类中精确率召回率曲线下的面积。 |
|
以一对多方式计算多元分类中 ROC 曲线下的面积。 |
|
计算 AUROC,即多元分类中 ROC 曲线下的面积。 |
|
使用给定阈值计算精确率召回率曲线。 |
|
计算多元混淆矩阵,一个维度为 num_classes x num_classes 的矩阵,其中每个位置 (i,j) 的元素表示真实类别为 i 的样本被预测为类别 j 的数量。 |
|
计算 f1 分数,定义为精确率和召回率的调和平均数。 |
|
计算精确率得分,即真阳性数与真阳性数和假阳性数之和的比率。 |
|
返回多元分类任务的精确率召回率对及其对应的阈值。 |
|
计算召回率得分,即真阳性数与真阳性数和假阴性数之和的比率。 |
|
计算多标签准确率得分,即输入与目标匹配的频率。 |
|
计算 AUPRC,也称为平均精度,即多标签分类中精确率召回率曲线下的面积。 |
|
返回多标签分类任务的精确率召回率对及其对应的阈值。 |
|
返回给定最小精确率的最高可能召回率值,以及每个标签及其对应的阈值,用于多标签分类任务。 |
|
计算多标签准确率得分,即预测的前 k 个标签与目标匹配的频率。 |
排序指标¶
根据点击事件计算点击率。 |
|
计算预测的前几个类别中正确类别的命中率。 |
|
计算预测的前几个类别中正确类别的倒数排名。 |
|
计算加权校准指标。 |
回归指标¶
计算均方误差,即 输入 和 目标 之间平方误差的平均值。 |
|
计算 R 平方得分,即自变量可以解释因变量方差的比例。 |
文本指标¶
根据翻译和参考计算 BLEU 分数 (https://en.wikipedia.org/wiki/BLEU)。 |
|
困惑度衡量模型预测样本数据的程度。 |
|
计算预测的词序列与参考词序列的词错误率。 |
|
词信息丢失 (WIL) 是自动语音识别系统性能的衡量指标。 |
|
计算预测的词序列与参考词序列的词信息保留率。 |
窗口化指标¶
BinaryAUROC 的窗口化版本。 |
|
BinaryNormalizedEntropy 的窗口化版本,提供窗口化值和生命周期值。 |
|
ClickThroughRate 的窗口化版本,提供窗口化值和生命周期值。 |
|
MeanSquaredError 的窗口化版本,提供窗口化值和生命周期值。 |
|
计算加权校准指标。 |