torcheval.metrics.functional.multilabel_recall_at_fixed_precision¶

torcheval.metrics.functional.multilabel_recall_at_fixed_precision(input: Tensor, target: Tensor, *, num_labels: int, min_precision: float) → Tuple[List[Tensor], List[Tensor]]¶

返回在多标签分类任务中，每个标签在给定最小精度下的最高可能召回值及其对应的阈值。每个标签的最大召回计算等同于binary_recall_at_fixed_precision中的_binary_recall_at_fixed_precision_compute。

它的类版本是 torcheval.metrics.MultilabelRecallAtFixedPrecision。

Parameters:

input (Tensor) – 标签预测的张量它应该是形状为 (n_samples, n_label) 的概率
target (Tensor) – 形状为 (n_samples, n_label) 的真实标签张量
num_labels (int) – 标签数量
min_precision (float) – 最小精度阈值

Returns:

List[torch.Tensor], thresholds: List[torch.Tensor]): recall: 每个标签的最大召回值列表 thresholds: 每个标签的最佳阈值列表

Return type:

一个元组，包含（召回率

示例

>>> import torch
>>> from torcheval.metrics.functional import multilabel_recall_at_fixed_precision
>>> input = torch.tensor([[0.75, 0.05, 0.35], [0.45, 0.75, 0.05], [0.05, 0.55, 0.75], [0.05, 0.65, 0.05]])
>>> target = torch.tensor([[1, 0, 1], [0, 0, 0], [0, 1, 1], [1, 1, 1]])
>>> multilabel_recall_at_fixed_precision(input, target, num_labels=3, min_precision=0.5)
([tensor([1.0, 1.0, 1.0], tensor([0.05, 0.55, 0.05])])