coverage_error

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

Метрика ошибки покрытия.

Вычисляет, насколько далеко нужно пройти по ранжированным оценкам, чтобы охватить все истинные метки. Наилучшее значение равно среднему количеству меток в y_true на образец.

Равные значения в y_scores упорядочиваются с присвоением им максимального ранга, который был бы назначен всем значениям с одинаковой оценкой.

Примечание: оценка в нашей реализации на 1 больше, чем оценка, приведённая в Tsoumakas et al., 2010. Это позволяет обрабатывать вырожденный случай, когда у экземпляра нет истинных меток.

Подробнее см. в руководстве пользователя.

Параметры:

y_truearray-like of shape (n_samples, n_labels)

Истинные бинарные метки в формате индикатора меток.

y_scorearray-like of shape (n_samples, n_labels)

Целевые оценки: вероятности положительного класса или значения функции принятия решения без применения порога (возвращаемые методом decision_function некоторых классификаторов). Для оценок decision_function значения, большие или равные нулю, должны указывать на положительный класс.

sample_weightarray-like of shape (n_samples,), default=None

Веса образцов.

Возвращает:

coverage_errorfloat

Ошибка покрытия.

Литература

[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)
1.5