介绍
计算召回率
算法
详见：
https://www.malaoshi.top/show_1EF5bae9qIQI.html
常用别名
- tf.metrics.Recall
方法
创建对象
tf.keras.metrics.Recall(
thresholds=None,
top_k=None,
class_id=None,
name=None,
dtype=None
)
参数：
thresholds：（可选）浮点值或[0，1]中的浮点阈值的python列表/元组。将阈值与预测值进行比较，以确定预测的真值（即，在阈值之上为true，在之下为false）。为每个阈值生成一个度量值。如果既未设置阈值也未设置top_k，则默认设置为使用计算召回率thresholds=0.5。
top_k：（可选）默认情况下未设置。一个整数值，指定在计算召回率时要考虑的前k个预测。
class_id：（可选）我们想要二进制指标的整数类ID。该值必须在半开放时间间隔[0, num_classes)，即 num_classes预测的最后一个维度。
dtype：（可选）指标结果的数据类型。
update_state
传入 y_true，y_pred ，且形状相同
update_state(
y_true, y_pred, sample_weight=None
)
reset_states()
重置所有变量。
在训练期间评估指标时，在各个时期/步骤之间调用此功能。
reset_states()
result
计算并返回结果
result()
例子
m = tf.keras.metrics.Recall()
m.update_state([0, 1, 1, 1], [1, 0, 1, 1])
print('Final result: ', m.result().numpy())
执行结果：
Final result: 0.66
后2个数字完全匹配，TP是2，
第2个数字label是1，预测成了0，FN是1
所以：2/(2+1)=0.66
与 tf.keras API 配合使用：
model = tf.keras.Model(inputs, outputs)
model.compile('sgd', loss='mse', metrics=[tf.keras.metrics.Recall()])