ndcg_score#

sklearn.metrics.ndcg_score(y_true, y_score, *, k=None, sample_weight=None, ignore_ties=False)[источник]#

Вычислить нормализованный дисконтированный кумулятивный выигрыш.

Суммировать истинные оценки, ранжированные в порядке, индуцированном предсказанными оценками, после применения логарифмического дисконтирования. Затем разделить на наилучшую возможную оценку (Ideal DCG, полученную для идеального ранжирования), чтобы получить оценку между 0 и 1.

Эта метрика ранжирования возвращает высокое значение, если истинные метки имеют высокий ранг по y_score.

Параметры:

y_truearray-like формы (n_samples, n_labels): Истинные цели многоклассовой классификации или истинные оценки объектов для ранжирования. Отрицательные значения в y_true может привести к выходному значению, которое не находится между 0 и 1.
y_scorearray-like формы (n_samples, n_labels): Целевые оценки, которые могут быть либо вероятностными оценками, значениями достоверности, либо немасштабированными мерами решений (как возвращаемые “decision_function” в некоторых классификаторах).
kint, default=None: Учитывайте только k наивысших оценок в ранжировании. Если None, использовать все выходы.
sample_weightarray-like формы (n_samples,), по умолчанию=None: Веса выборок. Если None, всем образцам присваивается одинаковый вес.
ignore_tiesbool, по умолчанию=False: Предположим, что в y_score нет совпадений (что вероятно, если y_score непрерывен) для повышения эффективности.

Возвращает:

normalized_discounted_cumulative_gainfloat в [0., 1.]: Усреднённые оценки NDCG для всех образцов.

Смотрите также

dcg_score: Дисконтированный кумулятивный выигрыш (не нормализованный).

Ссылки

Запись в Википедии о дисконтированном кумулятивном выигрыше

Jarvelin, K., & Kekalainen, J. (2002). Cumulated gain-based evaluation of IR techniques. ACM Transactions on Information Systems (TOIS), 20(4), 422-446.

Wang, Y., Wang, L., Li, Y., He, D., Chen, W., & Liu, T. Y. (2013, May). A theoretical analysis of NDCG ranking measures. In Proceedings of the 26th Annual Conference on Learning Theory (COLT 2013)

McSherry, F., & Najork, M. (2008, March). Computing information retrieval performance measures efficiently in the presence of tied scores. In European conference on information retrieval (pp. 414-421). Springer, Berlin, Heidelberg.

Примеры

>>> import numpy as np
>>> from sklearn.metrics import ndcg_score
>>> # we have ground-truth relevance of some answers to a query:
>>> true_relevance = np.asarray([[10, 0, 0, 1, 5]])
>>> # we predict some scores (relevance) for the answers
>>> scores = np.asarray([[.1, .2, .3, 4, 70]])
>>> ndcg_score(true_relevance, scores)
0.69
>>> scores = np.asarray([[.05, 1.1, 1., .5, .0]])
>>> ndcg_score(true_relevance, scores)
0.49
>>> # we can set k to truncate the sum; only top k answers contribute.
>>> ndcg_score(true_relevance, scores, k=4)
0.35
>>> # the normalization takes k into account so a perfect answer
>>> # would still get 1.0
>>> ndcg_score(true_relevance, true_relevance, k=4)
1.0...
>>> # now we have some ties in our prediction
>>> scores = np.asarray([[1, 0, 0, 0, 1]])
>>> # by default ties are averaged, so here we get the average (normalized)
>>> # true relevance of our top predictions: (10 / 10 + 5 / 10) / 2 = .75
>>> ndcg_score(true_relevance, scores, k=1)
0.75
>>> # we can choose to ignore ties for faster results, but only
>>> # if we know there aren't ties in our scores, otherwise we get
>>> # wrong results:
>>> ndcg_score(true_relevance,
...           scores, k=1, ignore_ties=True)
0.5...

ndcg_score#

Эта страница