torcheval.metrics.functional.multiclass_precision_recall_curve¶

torcheval.metrics.functional.multiclass_precision_recall_curve(input: Tensor, target: Tensor, *, num_classes: int | None = None) → Tuple[List[Tensor], List[Tensor], List[Tensor]]¶

返回多类分类任务的精确率-召回率对及其对应的阈值。如果目标张量中缺少某个类别，则该类别的召回率值设置为1.0。

它的类版本是 torcheval.metrics.MulticlassPrecisionRecallCurve。

Parameters:

输入 (张量) – 标签预测的张量它应该是形状为 (n_sample, n_class) 的概率或对数几率。
target (Tensor) – 形状为 (n_samples, ) 的真实标签张量。
num_classes (可选) – 类别数量。如果 num_classes 为 None，则设置为输入的第二维度。

Returns:

List[torch.Tensor], recall: List[torch.Tensor], thresholds: List[torch.Tensor]): precision: 精度结果列表。每个索引表示一个类别的结果。 recall: 召回结果列表。每个索引表示一个类别的结果。 thresholds: 阈值列表。每个索引表示一个类别的结果。

Return type:

一个元组（precision

示例：

>>> import torch
>>> from torcheval.metrics.functional import multiclass_precision_recall_curve
>>> input = torch.tensor([[0.1, 0.1, 0.1, 0.1], [0.5, 0.5, 0.5, 0.5], [0.7, 0.7, 0.7, 0.7], [0.8, 0.8, 0.8, 0.8]])
>>> target = torch.tensor([0, 1, 2, 3])
>>> multiclass_precision_recall_curve(input, target, num_classes=4)
([tensor([0.2500, 0.0000, 0.0000, 0.0000, 1.0000]),
tensor([0.2500, 0.3333, 0.0000, 0.0000, 1.0000]),
tensor([0.2500, 0.3333, 0.5000, 0.0000, 1.0000]),
tensor([0.2500, 0.3333, 0.5000, 1.0000, 1.0000])],
[tensor([1., 0., 0., 0., 0.]),
tensor([1., 1., 0., 0., 0.]),
tensor([1., 1., 1., 0., 0.]),
tensor([1., 1., 1., 1., 0.])],
[tensor([0.1000, 0.5000, 0.7000, 0.8000]),
tensor([0.1000, 0.5000, 0.7000, 0.8000]),
tensor([0.1000, 0.5000, 0.7000, 0.8000]),
tensor([0.1000, 0.5000, 0.7000, 0.8000])])