"最大间隔"分类的 Hinge 度量
Hinge 类
tf_keras.metrics.Hinge(name="hinge", dtype=None)
计算y_true和y_pred之间的 Hinge 度量。
y_true值应为 -1 或 1。如果提供二进制 (0 或 1) 标签，我们将将其转换为 -1 或 1。
参数
- name:（可选）度量实例的字符串名称。
- dtype:（可选）度量结果的数据类型。
独立使用
>>> m = tf.keras.metrics.Hinge()
>>> m.update_state([[0, 1], [0, 0]], [[0.6, 0.4], [0.4, 0.6]])
>>> m.result().numpy()
1.3
>>> m.reset_state()
>>> m.update_state([[0, 1], [0, 0]], [[0.6, 0.4], [0.4, 0.6]],
... sample_weight=[1, 0])
>>> m.result().numpy()
1.1
与compile() API 一起使用
model.compile(
optimizer='sgd', loss='mse', metrics=[tf.keras.metrics.Hinge()])
SquaredHinge 类
tf_keras.metrics.SquaredHinge(name="squared_hinge", dtype=None)
计算y_true和y_pred之间的平方 Hinge 度量。
y_true值应为 -1 或 1。如果提供二进制 (0 或 1) 标签，我们将将其转换为 -1 或 1。
参数
- name:（可选）度量实例的字符串名称。
- dtype:（可选）度量结果的数据类型。
独立使用
>>> m = tf.keras.metrics.SquaredHinge()
>>> m.update_state([[0, 1], [0, 0]], [[0.6, 0.4], [0.4, 0.6]])
>>> m.result().numpy()
1.86
>>> m.reset_state()
>>> m.update_state([[0, 1], [0, 0]], [[0.6, 0.4], [0.4, 0.6]],
... sample_weight=[1, 0])
>>> m.result().numpy()
1.46
与compile() API 一起使用
model.compile(
optimizer='sgd',
loss='mse',
metrics=[tf.keras.metrics.SquaredHinge()])
CategoricalHinge 类
tf_keras.metrics.CategoricalHinge(name="categorical_hinge", dtype=None)
计算y_true和y_pred之间的分类 Hinge 度量。
参数
- name:（可选）度量实例的字符串名称。
- dtype:（可选）度量结果的数据类型。
独立使用
>>> m = tf.keras.metrics.CategoricalHinge()
>>> m.update_state([[0, 1], [0, 0]], [[0.6, 0.4], [0.4, 0.6]])
>>> m.result().numpy()
1.4000001
>>> m.reset_state()
>>> m.update_state([[0, 1], [0, 0]], [[0.6, 0.4], [0.4, 0.6]],
... sample_weight=[1, 0])
>>> m.result().numpy()
1.2
与compile() API 一起使用
model.compile(
optimizer='sgd',
loss='mse',
metrics=[tf.keras.metrics.CategoricalHinge()])