平均精度均值（MeanAveragePrecision）指标

[源代码]

MeanAveragePrecision 类

keras_rs.metrics.MeanAveragePrecision(
    k: int | None = None,
    shuffle_ties: bool = True,
    seed: int | keras.src.random.seed_generator.SeedGenerator | None = None,
    **kwargs: Any
)

计算平均精度均值（MAP）。

此指标评估排名质量。它计算在排名列表中出现的每个相关项目之后计算的精度值的平均值。该指标根据 y_true 中的真实相关性标签（相关性的二进制指示符（0 或 1））与 y_pred 中的预测分数进行处理。y_pred 中的分数用于确定项目的排名顺序，通过降序排序。分数范围从 0 到 1，值越高表示相关项目在排名中通常位置越高。

对于 y_pred 中预测分数 s 的每个列表以及 y_true 中相应的真实标签 y 的列表，每个查询的 MAP 分数计算如下：

平均精度的公式定义如下。MAP 是对每个列表计算的平均精度的均值。

AP(y, s) = sum_j (P@j(y, s) * rel(j)) / sum_i y_i
rel(j) = y_i if rank(s_i) = j

其中

• j 表示排名位置（从 1 开始）。
• sum_j 表示对从 1 到列表大小（或 k）的所有排名 j 求和。
• P@j(y, s) 表示在排名 j 处的精度，计算方法是前 j 个位置中找到的相关项目数除以 j。
• rel(j) 表示在排名 j 处的项目的相关性。如果排名 j 处的项目相关，则 rel(j) 为 1，否则为 0。
• y_i 是排名之前原始项目 i 的真实相关性标签。
• rank(s_i) 是根据其分数 s_i 分配给项目 i 的排名位置。
• sum_i y_i 计算原始列表 y 中相关项目的总数。

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

注意：sample_weight 对于排名指标的处理方式不同。对于批处理输入，sample_weight 可以是标量、1D 或 2D。标量情况和 1D 情况（按列表权重）很简单。2D 情况（按项目权重）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

• 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()。keras.backend.floatx() 是 "float32"，除非设置为不同的值（通过 keras.backend.set_floatx()）。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, 2, size=(batch_size, list_size))
>>> scores = np.random.random(size=(batch_size, list_size))
>>> metric = keras_rs.metrics.MeanAveragePrecision()(
...     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, 2, 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.MeanAveragePrecision()(
...     y_true={"labels": labels, "mask": mask}, y_pred=scores
... )