balanced_accuracy_score#

sklearn.metrics.balanced_accuracy_score(y_true, y_pred, *, sample_weight=None, скорректированный=False)[источник]#

Вычисление сбалансированной точности.

Сбалансированная точность в бинарных и многоклассовых задачах классификации для работы с несбалансированными наборами данных. Определяется как среднее значение полноты, полученной для каждого класса.

Лучшее значение — 1, а худшее — 0, когда adjusted=False.

Подробнее в Руководство пользователя.

Добавлено в версии 0.20.

Параметры:
y_truearray-like формы (n_samples,)

Истинные (правильные) целевые значения.

y_predarray-like формы (n_samples,)

Оценённые цели, возвращаемые классификатором.

sample_weightarray-like формы (n_samples,), по умолчанию=None

Веса выборок.

скорректированныйbool, по умолчанию=False

Когда истинно, результат корректируется на случайность, так что случайная производительность получит оценку 0, а идеальная производительность сохранит оценку 1.

Возвращает:
balanced_accuracyfloat

Сбалансированная точность.

Смотрите также

average_precision_score

Вычислите среднюю точность (AP) из оценок предсказания.

precision_score

Вычислить оценку точности.

recall_score

Вычислить оценку полноты (recall).

roc_auc_score

Вычислить площадь под кривой рабочих характеристик приёмника (ROC AUC) по оценкам предсказаний.

Примечания

В некоторых источниках предлагаются альтернативные определения сбалансированной точности. Наше определение эквивалентно accuracy_score с балансированными по классам весами образцов и разделяет желательные свойства с бинарным случаем. Смотрите Руководство пользователя.

Ссылки

[1]

Brodersen, K.H.; Ong, C.S.; Stephan, K.E.; Buhmann, J.M. (2010). The balanced accuracy and its posterior distribution. Proceedings of the 20th International Conference on Pattern Recognition, 3121-24.

Примеры

>>> from sklearn.metrics import balanced_accuracy_score
>>> y_true = [0, 1, 0, 0, 1, 0]
>>> y_pred = [0, 1, 0, 0, 0, 1]
>>> balanced_accuracy_score(y_true, y_pred)
0.625
На этой странице