balanced_accuracy_score

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

Вычислить сбалансированную точность.

Сбалансированная точность в задачах бинарной и многоклассовой классификации для работы с несбалансированными наборами данных. Она определяется как среднее значение показателя отзыва, полученного для каждого класса.

Лучшее значение равно 1, а худшее — 0, когда adjusted=False.

Подробнее см. в Руководстве пользователя.

Добавлен в версии 0.20.

Параметры:

y_trueмассивоподобный, размер (n_samples,)

Истинные (правильные) целевые значения.

y_predмассивоподобный, размер (n_samples,)

Предсказанные целевые значения, возвращаемые классификатором.

sample_weightмассивоподобный, размер (n_samples,), по умолчанию=None

Веса выборок.

adjustedbool, по умолчанию=False

Если True, результат корректируется на случайность, так что случайная производительность будет иметь оценку 0, а идеальная производительность — оценку 1.

Возвращает:

balanced_accuracyfloat

Сбалансированный показатель точности.

См. также

average_precision_score

Вычислить среднюю точность (AP) по баллам прогнозирования.

precision_score

Вычислить показатель точности.

recall_score

Вычислить показатель отзыва.

roc_auc_score

Вычислить площадь под кривой ROC (ROC AUC) по баллам прогнозирования.

Примечания

В некоторых работах предлагаются альтернативные определения сбалансированной точности. Наше определение эквивалентно accuracy_score с сбалансированными по классам весами выборок и обладает желательными свойствами в бинарном случае. См. Руководство пользователя.

Список литературы

[1]

Brodersen, K.H.; Ong, C.S.; Stephan, K.E.; Buhmann, J.M. (2010). The balanced accuracy and its posterior distribution. Proceedings of the 20th International Conference on Pattern Recognition, 3121-24.

[2]

John. D. Kelleher, Brian Mac Namee, Aoife D’Arcy, (2015). Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, Worked Examples, and Case Studies.

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)
np.float64(0.625)