coverage_error

sklearn.metrics.coverage_error(y_true, y_score, *, sample_weight=None)

Мера ошибки покрытия (coverage error).

Вычислить, как далеко нужно пройти по ранжированным оценкам, чтобы покрыть все истинные метки. Лучшее значение равно среднему количеству меток в y_true на образец.

Ничьи в y_scores разрываются путём присвоения максимального ранга, который был бы присвоен всем связанным значениям.

Примечание: Оценка нашей реализации на 1 больше, чем приведенная в Tsoumakas et al., 2010. Это расширяет её для обработки вырожденного случая, когда экземпляр имеет 0 истинных меток.

Подробнее в Руководство пользователя.

Параметры:

y_truearray-like формы (n_samples, n_labels)

Истинные бинарные метки в формате бинарного индикатора.

y_scorearray-like формы (n_samples, n_labels)

Целевые оценки, которые могут быть либо вероятностными оценками положительного класса, значениями уверенности, либо немасштабированными мерами решений (как возвращается функцией «decision_function» в некоторых классификаторах). Для decision_function оценки, значения больше или равные нулю должны указывать на положительный класс.

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

Веса выборок.

Возвращает:

coverage_errorfloat

Ошибка покрытия.

Ссылки

[1]

Tsoumakas, G., Katakis, I., & Vlahavas, I. (2010). Mining multi-label data. In Data mining and knowledge discovery handbook (pp. 667-685). Springer US.

Примеры

>>> from sklearn.metrics import coverage_error
>>> y_true = [[1, 0, 0], [0, 1, 1]]
>>> y_score = [[1, 0, 0], [0, 1, 1]]
>>> coverage_error(y_true, y_score)
1.5