label_ranking_loss

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

Вычислить меру потерь ранжирования.

Вычислить среднее количество пар меток, которые неправильно упорядочены по y_score, взвешенное по размеру набора меток и количеству меток, не входящих в набор меток.

Это похоже на размер множества ошибок, но взвешенный по количеству релевантных и нерелевантных меток. Наилучшая производительность достигается при значении функции потерь ранжирования, равном нулю.

Подробнее в Руководство пользователя.

Добавлено в версии 0.17: Функция label_ranking_loss

Параметры:

y_true{array-like, sparse matrix} 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:

потеряfloat

Среднее количество пар меток, которые неправильно упорядочены по y_score, взвешенное по размеру набора меток и количеству меток, не входящих в набор.

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 label_ranking_loss
>>> y_true = [[1, 0, 0], [0, 0, 1]]
>>> y_score = [[0.75, 0.5, 1], [1, 0.2, 0.1]]
>>> label_ranking_loss(y_true, y_score)
0.75