hamming_loss

sklearn.metrics.hamming_loss(y_true, y_pred, *, sample_weight=None)[source]

Вычислить среднюю потерю Хэмминга.

Потеря Хэмминга — это доля меток, которые предсказаны неверно.

Подробнее см. в Руководстве пользователя.

Параметры:

y_trueОдномерный массив-подобный объект или массив/разреженная матрица индикаторов меток

Истинные (правильные) метки.

y_predОдномерный массив-подобный объект или массив/разреженная матрица индикаторов меток

Предсказанные метки, возвращаемые классификатором.

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

Веса образцов.

Добавлен в версии 0.18.

Возвращает:

lossfloat или int

Возвращает среднюю потерю Хэмминга между элементами y_true и y_pred.

См. также

accuracy_score

Вычислить точность. По умолчанию функция возвращает долю правильных предсказаний, деленную на общее число предсказаний.

jaccard_score

Вычислить коэффициент схожести Якобса.

zero_one_loss

Вычислить потерю классификации «ноль-единица». По умолчанию функция возвращает процент неточно предсказанных подмножеств.

Примечания

В многоклассовой классификации потеря Хэмминга соответствует расстоянию Хэмминга между y_true и y_pred, что эквивалентно функции подмножества zero_one_loss, когда параметр normalize установлен в True.

В многомечевой классификации потеря Хэмминга отличается от потери «ноль-единица» для подмножества. Потеря «ноль-единица» рассматривает весь набор меток для данного образца как неверный, если он не полностью соответствует истинному набору меток. Потеря Хэмминга более снисходительна, поскольку она штрафует только отдельные метки.

Потеря Хэмминга ограничена сверху потерей «ноль-единица» для подмножества, когда параметр normalize установлен в True. Она всегда находится в пределах от 0 до 1, чем меньше, тем лучше.

Ссылки

[1]

Григориос Цумакас, Иоаннис Катакис. Многомечевая классификация: Обзор. Международный журнал по хранилищам данных и добыче данных, 3(3), 1-13, июль-сентябрь 2007 г.

[2]

Статья Википедии о расстоянии Хэмминга.

Примеры

>>> from sklearn.metrics import hamming_loss
>>> y_pred = [1, 2, 3, 4]
>>> y_true = [2, 2, 3, 4]
>>> hamming_loss(y_true, y_pred)
0.25

В случае многомечевой классификации с бинарными индикаторами меток:

>>> import numpy as np
>>> hamming_loss(np.array([[0, 1], [1, 1]]), np.zeros((2, 2)))
0.75

Примеры галереи

Влияние сложности модели