матрица_совпадений

sklearn.metrics.cluster.contingency_matrix(labels_true, labels_pred, *, eps=None, sparse=False, dtype=<class 'numpy.int64'>)[source]

Построение матрицы сопутствия, описывающей взаимосвязь меток.

Параметры:

labels_truearray-like of shape (n_samples,)

Истинные метки классов, используемые в качестве эталона.

labels_predarray-like of shape (n_samples,)

Метки кластеров для оценки.

epsfloat, default=None

Если число, это значение добавляется ко всем значениям в матрице сопутствия. Это помогает предотвратить распространение NaN. Если None, ничего не корректируется.

sparsebool, default=False

Если True, возвращается разреженная матрица сопутствия CSR. Если eps не None и sparse равно True, будет поднято исключение ValueError.

Добавлена в версии 0.18.

dtypenumeric type, default=np.int64

Тип вывода. Игнорируется, если eps не None.

Добавлена в версии 0.24.

Возвращаемые значения:

contingency{array-like, sparse}, shape=[n_classes_true, n_classes_pred]

Матрица \(C\) такая, что \(C_{i, j}\) — количество образцов в истинном классе \(i\) и в предсказанном классе \(j\). Если eps is None, тип данных этого массива будет целочисленным, если не задано иное с помощью аргумента dtype. Если eps задано, тип данных будет плавающей точкой. Будет разреженной sklearn.sparse.csr_matrix, если sparse=True.

Примеры

>>> from sklearn.metrics.cluster import contingency_matrix
>>> labels_true = [0, 0, 1, 1, 2, 2]
>>> labels_pred = [1, 0, 2, 1, 0, 2]
>>> contingency_matrix(labels_true, labels_pred)
array([[1, 1, 0],
       [0, 1, 1],
       [1, 0, 1]])