contingency_matrix

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

Создает матрицу сопряженности, описывающую связь между метками.

Подробнее см. в руководстве пользователя.

Параметры:

labels_trueмассивоподобный объект формы (n_samples,)

Истинные метки классов, используемые в качестве эталона.

labels_predмассивоподобный объект формы (n_samples,)

Метки кластеров для оценки.

epsfloat, по умолчанию=None

Если задано число с плавающей точкой, это значение добавляется ко всем элементам матрицы сопряженности. Это помогает предотвратить распространение NaN. Если None, корректировка не выполняется.

sparsebool, по умолчанию=False

Если True, возвращает разреженную матрицу сопряженности CSR. Если eps не равно None и sparse равно True, будет вызвано исключение ValueError.

Добавлено в версии 0.18.

dtypeчисловой тип, по умолчанию=np.int64

Тип данных результата. Игнорируется, если eps не равно None.

Добавлено в версии 0.24.

Возвращает:

contingency{массивоподобный объект, разреженная матрица}, форма=[n_classes_true, n_classes_pred]

Матрица \(C\), такая что \(C_{i, j}\) — это количество образцов, относящихся к истинному классу \(i\) и предсказанному классу \(j\). Если eps is None, тип данных этого массива будет целочисленным, если не задан другой тип с помощью аргумента dtype. Если задано eps, тип данных будет вещественным. Если sparse=True, результатом будет разреженная матрица сопряженности CSR.

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]])