ctr_metric_bundle

paddle.static. ctr_metric_bundle ( input, label, ins_tag_weight=None ) [源代码]

CTR 相关度量层

此函数用于计算 CTR 相关指标：RMSE（均方根误差）、MAE（平均绝对误差）、predicted_ctr（预测点击率）、q 值。

为了计算这些指标的最终值，我们应该使用总实例数进行以下计算：

  • MAE = local_abserr / 实例数

  • RMSE = sqrt(local_sqrerr / 实例数)

  • predicted_ctr = local_prob / 实例数

  • q = local_q / 实例数

注意，如果您正在进行分布式作业，您应该首先对这些指标和实例数进行全局归约。

参数

  • input (Tensor) - 一个浮点数 2D 张量，值在[0, 1]范围内。每行按降序排列。这个输入应该是 topk 的输出。通常，这个张量表示每个标签的概率。

  • label (Tensor) - 表示训练数据标签的 2D 整数张量。高度为批量大小，宽度始终为 1。

  • ins_tag_weight (Tensor) - 表示训练数据的 ins_tag_weight 的 2D 整数张量。1 表示真实数据，0 表示假数据。类型为 float32 或 float64 的 LoDTensor 或 Tensor。

返回

  • local_sqrerr (Tensor) - 局部平方误差和

  • local_abserr (Tensor) - 局部绝对误差和

  • local_prob (Tensor) - 局部预测 CTR 和

  • local_q (Tensor) - 局部 q 值和

  • local_pos_num (Tensor) - 局部正例数

  • local_ins_num (Tensor) - 局部样本数

tuple (local_sqrerr, local_abserr, local_prob, local_q, local_pos_num, local_ins_num): 包含局部平方误差和、局部绝对误差和、局部预测 CTR 和、局部 q 值和、局部正例数和局部样本数的元组。

代码示例：

>>> import paddle
>>> paddle.enable_static()
>>> data = paddle.static.data(name="data", shape=[-1, 32], dtype="float32")
>>> label = paddle.static.data(name="label", shape=[-1, 1], dtype="int32")
>>> predict = paddle.nn.functional.sigmoid(paddle.static.nn.fc(x=data, size=1))
>>> auc_out = paddle.static.ctr_metric_bundle(input=predict, label=label)