coverage_error

sklearn.metrics.coverage_error(y_true, y_score, *, sample_weight=None)[source]

Метрика ошибки покрытия.

Вычисляется, насколько далеко нужно пройти по отсортированным оценкам, чтобы покрыть все истинные метки. Лучшее значение равно среднему числу меток в y_true на образец.

Связанные значения y_scores разбиваются, присваивая максимальный ранг, который был бы присвоен всем связанным значениям.

Примечание: значение нашей реализации на 1 больше, чем значение, приведенное в Tsoumakas et al., 2010. Это расширяет его для обработки вырожденного случая, в котором у экземпляра нет истинных меток.

Подробнее см. в Руководстве пользователя.

Параметры:

y_trueмассив-подобный формы (n_samples, n_labels)

Истинные бинарные метки в формате бинарного индикатора.

y_scoreмассив-подобный формы (n_samples, n_labels)

Целевые оценки, которые могут быть либо оценками вероятности положительного класса, либо значениями доверия, либо не порожденными мерами решений (как возвращаются методом “decision_function” для некоторых классификаторов). Для оценок decision_function значения, большие или равные нулю, должны указывать на положительный класс.

sample_weightмассив-подобный формы (n_samples,), по умолчанию=None

Веса образцов.

Возвращает:

coverage_errorfloat

Ошибка покрытия.

Ссылки

[1]

Tsoumakas, G., Katakis, I., & Vlahavas, I. (2010). Mining multi-label data. In Data mining and knowledge discovery handbook (pp. 667-685). Springer US.

Примеры

>>> from sklearn.metrics import coverage_error
>>> y_true = [[1, 0, 0], [0, 1, 1]]
>>> y_score = [[1, 0, 0], [0, 1, 1]]
>>> coverage_error(y_true, y_score)
np.float64(1.5)