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，它计算未加权的校准。其类版本为 torcheval.metrics.WeightedCalibration。

加权校准 = sum(input * weight) / sum(target * weight)

Parameters:

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、整数或张量。默认值为1.0。如果weight是张量，其大小应与输入张量的大小匹配。
num_tasks (int) – 需要进行加权校准计算的任务数量。默认值为1。

Returns:

每个任务的加权校准返回值 (num_tasks,).

Return type:

张量

Raises:

ValueError – 如果权重的值既不是float，也不是int，也不是与输入张量大小匹配的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])