DCG 指标

`DCG` 类

keras_rs.metrics.DCG(
    k: int | None = None,
    gain_fn: Callable[[Any], Any] = default_gain_fn,
    rank_discount_fn: Callable[[Any], Any] = default_rank_discount_fn,
    **kwargs: Any
)

计算折现累积增益 (DCG)。

此指标评估排名质量。它计算项目分级相关性分数的总和，并根据位置应用可配置的折现。该指标处理 y_true 中的真实相关性标签（分级相关性分数，非负数，值越高表示相关性越大）与 y_pred 中的预测分数。y_pred 中的分数用于确定项目的排名顺序，通过降序排序。分数是非负的，值越高表示排名质量越好（高度相关的项目排名越高）。单个列表的分数没有边界或标准化，即它不落在某个范围内。

对于 y_pred 中的每个预测分数列表 s 和 y_true 中的相应真实标签列表 y，每次查询的 DCG 分数计算如下

DCG@k(y', w') = sum_{i=1}^{k} (gain_fn(y'_i) / rank_discount_fn(i))

其中

y'_i 是排名在位置 i 的项目的真实相关性分数（通过根据 y_pred 排序 y_true 获得）。
gain_fn 是用户提供的将相关性 y'_i 映射到增益值的函数。默认函数 (default_gain_fn) 通常等效于 lambda y: 2**y - 1。
rank_discount_fn 是用户提供的将排名 i 映射到折现值的函数。默认函数 (default_rank_discount_fn) 通常等效于 lambda rank: 1 / log2(rank + 1)。
最终结果聚合这些每个列表的分数。

报告的最终 DCG 分数通常是数据集中所有查询/列表的这些每次查询分数的加权平均值。

注意：对于排名指标，sample_weight 的处理方式不同。对于批量输入，sample_weight 可以是标量、1D 或 2D。标量情况和 1D 情况（列表级权重）很简单。2D 情况（项目级权重）不同，因为样本权重被聚合以获得 1D 权重。有关更多详细信息，请参阅 keras_rs.src.metrics.ranking_metrics_utils.get_list_weights。

参数

gain_fn: 可调用。将相关性分数 (y_true) 映射到增益值。默认实现 2**y - 1。
rank_discount_fn: 函数。将排名位置映射到折现值。默认 (default_rank_discount_fn) 实现 1 / log2(rank + 1)。
k: int。要考虑的排名前 k 个项目的数量（“top-k”中的“k”）。必须是正整数。
shuffle_ties: bool。是否在排序前随机打乱分数。这样做是为了打破平局。默认为 True。
seed: int。用于打乱的随机种子。
name: 损失实例的可选名称。
dtype: 指标计算的数据类型。默认为 None，这意味着使用 keras.backend.floatx()。除非设置为其他值（通过 keras.backend.set_floatx()），否则 keras.backend.floatx() 是 "float32"。如果提供了 keras.DTypePolicy，则将使用 compute_dtype。

示例

>>> batch_size = 2
>>> list_size = 5
>>> labels = np.random.randint(0, 3, size=(batch_size, list_size))
>>> scores = np.random.random(size=(batch_size, list_size))
>>> metric = keras_rs.metrics.DCG()(
...     y_true=labels, y_pred=scores
... )

屏蔽某些元素（可用于不均匀输入）

>>> batch_size = 2
>>> list_size = 5
>>> labels = np.random.randint(0, 3, size=(batch_size, list_size))
>>> scores = np.random.random(size=(batch_size, list_size))
>>> mask = np.random.randint(0, 2, size=(batch_size, list_size), dtype=bool)
>>> metric = keras_rs.metrics.DCG()(
...     y_true={"labels": labels, "mask": mask}, y_pred=scores
... )

DCG 指标

DCG 类

DCG 指标

DCG 类

`DCG` 类