jaccard_score#

sklearn.metrics.jaccard_score(y_true, y_pred, *, метки=None, pos_label=1, среднее='binary', sample_weight=None, zero_division='warn')[источник]#

Коэффициент сходства Жаккара.

Индекс Жаккара [1] или коэффициент сходства Жаккара, определяемый как размер пересечения, деленный на размер объединения двух наборов меток, используется для сравнения набора предсказанных меток для образца с соответствующим набором меток в y_true.

Поддержка за пределами бинарный целей достигается путем обработки многоклассовый и многометочный данные как набор бинарных задач, по одной для каждой метки. Для бинарный случае, установка average='binary' вернет коэффициент сходства Жаккара для pos_label. Если average не является 'binary', pos_label игнорируется, и оценки для обоих классов вычисляются, затем усредняются или возвращаются обе (когда average=None). Аналогично, для многоклассовый и многометочный цели, оценки для всех labels либо возвращаются, либо усредняются в зависимости от average параметр. Используйте labels указать набор меток для вычисления оценки.

Подробнее в Руководство пользователя.

Параметры:
y_true1d array-like, или массив индикаторов меток / разреженная матрица

Истинные (правильные) метки. Разреженная матрица поддерживается только когда метки имеют многометочный тип.

y_pred1d array-like, или массив индикаторов меток / разреженная матрица

Предсказанные метки, как возвращенные классификатором. Разреженная матрица поддерживается только когда метки имеют многометочный тип.

меткиarray-like формы (n_classes,), по умолчанию=None

Набор меток для включения, когда average != 'binary', и их порядок, если average is None. Метки, присутствующие в данных, могут быть исключены, например, в многоклассовой классификации для исключения "отрицательного класса". Метки, отсутствующие в данных, могут быть включены и им будет "назначено" 0 образцов. Для многометочных целей метки являются индексами столбцов. По умолчанию все метки в y_true и y_pred используются в отсортированном порядке.

pos_labelint, float, bool или str, по умолчанию=1

Класс для отчета, если average='binary' и данные являются бинарными, в противном случае этот параметр игнорируется. Для многоклассовых или многометочных целей, установите labels=[pos_label] и average != 'binary' для отчета метрик только для одной метки.

среднее{‘micro’, ‘macro’, ‘samples’, ‘weighted’, ‘binary’} или None, по умолчанию=’binary’

Если None, возвращаются оценки для каждого класса. Иначе это определяет тип усреднения, выполняемого на данных:

'binary':

Отчитываться только о результатах для класса, указанного pos_label. Это применимо только если цели (y_{true,pred}) являются бинарными.

'micro':

Рассчитать метрики глобально, подсчитывая общее количество истинно положительных, ложно отрицательных и ложноположительных.

'macro':

Вычислить метрики для каждой метки и найти их невзвешенное среднее. Это не учитывает дисбаланс меток.

'weighted':

Вычислить метрики для каждой метки и найти их среднее значение, взвешенное по поддержке (количеству истинных экземпляров для каждой метки). Это изменяет ‘macro’ для учета дисбаланса меток.

'samples':

Вычислить метрики для каждого экземпляра и найти их среднее значение (только имеет смысл для многоклассовой классификации).

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

Веса выборок.

zero_division“warn”, {0.0, 1.0}, по умолчанию=”warn”

Устанавливает значение, возвращаемое при делении на ноль, т.е. когда в предсказаниях и метках нет отрицательных значений. Если установлено значение "warn", это действует как 0, но также выводится предупреждение.

Добавлено в версии 0.24.

Возвращает:
scorefloat или ndarray формы (n_unique_labels,), dtype=np.float64

Оценка Жаккара. Когда average не является None, возвращается одно скалярное значение.

Смотрите также

accuracy_score

Функция для вычисления оценки точности.

f1_score

Функция для вычисления F1-меры.

multilabel_confusion_matrix

Функция для вычисления матрицы ошибок для каждого класса или образца.

Примечания

jaccard_score может быть плохой метрикой, если нет положительных значений для некоторых выборок или классов. Jaccard не определён, если нет истинных или предсказанных меток, и наша реализация вернёт оценку 0 с предупреждением.

Ссылки

Примеры

>>> import numpy as np
>>> from sklearn.metrics import jaccard_score
>>> y_true = np.array([[0, 1, 1],
...                    [1, 1, 0]])
>>> y_pred = np.array([[1, 1, 1],
...                    [1, 0, 0]])

В бинарном случае:

>>> jaccard_score(y_true[0], y_pred[0])
0.6666

В случае 2D сравнения (например, сходства изображений):

>>> jaccard_score(y_true, y_pred, average="micro")
0.6

В случае многометочной классификации:

>>> jaccard_score(y_true, y_pred, average='samples')
0.5833
>>> jaccard_score(y_true, y_pred, average='macro')
0.6666
>>> jaccard_score(y_true, y_pred, average=None)
array([0.5, 0.5, 1. ])

В многоклассовом случае:

>>> y_pred = [0, 2, 1, 2]
>>> y_true = [0, 1, 2, 2]
>>> jaccard_score(y_true, y_pred, average=None)
array([1. , 0. , 0.33])
На этой странице