Tensorflow Precision@K作为Keras中的自定义指标

我包括Precision@K作为Keras中的自定义度量。根据

我只需要使用Keras后端计算一个函数，并在编译步骤中传递它

仅使用

Numpy

precision@k可按以下示例计算：

def precisionatk(y_true,y_pred,k)
    precision_average = []
    idx =  (-y_pred).argsort(axis=-1)[:,:k]
    for i in range(idx.shape[0]):
        precision_sample = 0
        for j in idx[i,:]:
            if y_true[i,j] == 1:
                precision_sample += 1
        precision_sample = precision_sample / k
        precision_average.append(precision_sample)
    return np.mean(precision_average)


y_true = np.array([[0,0,1,0],[1,0,1,0]])
y_pred = np.array([[0.1,0.4,0.8,0.2],[0.3,0.2,0.5,0.1]])

print(precisionatk(y_true,y_pred,2))

0.75

那么，如何将其转换为Keras后端

---

编辑：我正在处理一个多标签问题，y_真值总是一个包含1或0的数组，y_预测每个类别的概率

有一个

Percision@K

在

tf

中。你可以在这里找到它。了解如何在keras中使用

tf

指标，请参阅本文。谢谢，但我认为tf的

precision\u at_k

甚至考虑了真实值的前k（这将是一天结束时的第一个k指数）。例如，如果在prediction@k= 1在索引10中有最高的分数，但是在真正的y中有一个是0个索引，在第十中，它将计算一个零的精度，因为它将被认为是真正的索引0。Percision@K在

tf

中。你可以在这里找到它。了解如何在keras中使用

tf

指标，请参阅本文。谢谢，但我认为tf的

precision\u at_k

甚至考虑了真实值的前k（这将是一天结束时的第一个k指数）。例如，如果在prediction@k＝1我在索引10中具有最高的分数，但是在真正的y中有一个是0个索引，在第十中，它将计算一个零的精度，因为它将被认为是真正的索引0。

def precisionatk(y_true,y_pred,k)
    precision_average = []
    idx =  (-y_pred).argsort(axis=-1)[:,:k]
    for i in range(idx.shape[0]):
        precision_sample = 0
        for j in idx[i,:]:
            if y_true[i,j] == 1:
                precision_sample += 1
        precision_sample = precision_sample / k
        precision_average.append(precision_sample)
    return np.mean(precision_average)


y_true = np.array([[0,0,1,0],[1,0,1,0]])
y_pred = np.array([[0.1,0.4,0.8,0.2],[0.3,0.2,0.5,0.1]])

print(precisionatk(y_true,y_pred,2))

0.75