balanced_accuracy_score

sklearn.metrics.balanced_accuracy_score(y_true, y_pred, *, sample_weight=None, adjusted=False)[исходный код]

Вычисляет сбалансированную точность.

Сбалансированная точность используется в задачах бинарной и многоклассовой классификации для работы с несбалансированными наборами данных. Она определяется как среднее значение полноты, полученной для каждого класса.

Наилучшее значение — 1, наихудшее — 0, когда adjusted=False.

Подробнее см. в руководстве пользователя.

Добавлено в версии 0.20.

Параметры:

y_trueмассивоподобный объект формы (n_samples,)

Истинные (корректные) целевые значения.

y_predмассивоподобный объект формы (n_samples,)

Оцененные целевые значения, возвращенные классификатором.

sample_weightмассивоподобный объект формы (n_samples,), по умолчанию=None

Веса образцов.

adjustedbool, по умолчанию=False

Если значение истинно, результат корректируется с учетом случайности: случайное предсказание получает оценку 0, а идеальное сохраняет оценку 1.

Возвращает:

balanced_accuracyfloat

Оценка сбалансированной точности.

См. также

average_precision_score

Вычисляет среднюю точность (AP) по оценкам предсказаний.

precision_score

Вычисляет оценку точности.

recall_score

Вычисляет оценку полноты.

roc_auc_score

Вычисляет площадь под кривой ROC (ROC AUC) по оценкам предсказаний.

Примечания

В некоторых работах предлагаются альтернативные определения сбалансированной точности. Наше определение эквивалентно accuracy_score с весами образцов, сбалансированными по классам, и обладает желательными свойствами, общими с бинарным случаем. См. руководство пользователя.

Литература

[1]

Brodersen, K.H.; Ong, C.S.; Stephan, K.E.; Buhmann, J.M. (2010). Сбалансированная точность и ее апостериорное распределение. Труды 20-й Международной конференции по распознаванию образов, 3121–24.

[2]

John. D. Kelleher, Brian Mac Namee, Aoife D’Arcy, (2015). Основы машинного обучения для прогнозной аналитики данных: алгоритмы, практические примеры и тематические исследования.

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