torcheval.metrics.BinaryPrecision

class torcheval.metrics.BinaryPrecision(*, threshold: float = 0.5, device: device | None = None)

计算二分类任务的精确率得分，该得分计算为真正例与真正例和假正例之和的比率。其功能版本为torcheval.metrics.functional.binary_precision()。当预测标签中的类别没有正例时（当TP + FP = 0时），我们将NaN转换为0。

Parameters:

threshold (float, default = 0.5) – 用于将输入转换为每个样本的预测标签的阈值。 torch.where(input < threshold, 0, 1) 将应用于 input。

示例：

>>> import torch
>>> from torcheval.metrics import BinaryPrecision
>>> metric = BinaryPrecision()
>>> input = torch.tensor([0, 1, 0, 1])
>>> target = torch.tensor([1, 0, 1, 1])
>>> metric.update(input, target)
>>> metric.compute()
tensor(0.5)  # 1 / 2

>>> metric = BinaryPrecision(threshold=0.7)
>>> input = torch.tensor([0, 0.9, 0.6, 0.7])
>>> target = torch.tensor([1, 0, 1, 1])
>>> metric.update(input, target)
>>> metric.compute()
tensor(0.5)  # 1 / 2

__init__(*, threshold: float = 0.5, device: device | None = None) → None

初始化一个度量对象及其内部状态。

使用 self._add_state() 来初始化你的度量类的状态变量。 状态变量应该是 torch.Tensor，一个 torch.Tensor 的列表，一个以 torch.Tensor 为值的字典， 或者一个 torch.Tensor 的双端队列。

方法

__init__(*[, threshold, device])	初始化一个度量对象及其内部状态。
compute()	返回精度分数。
load_state_dict(state_dict[, strict])	从state_dict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。
reset()	将度量状态变量重置为其默认值。
state_dict()	将度量状态变量保存在state_dict中。
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。