hamming_loss

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

Вычисляет среднюю потерю Хэмминга.

Потеря Хэмминга — это доля меток, предсказанных неверно.

Подробнее см. в руководстве пользователя.

Параметры:

y_trueмассивоподобный объект размерности 1 или массив индикаторов меток / разреженная матрица

Истинные (корректные) метки. Разреженная матрица поддерживается только для целей типа многометочных.

y_predмассивоподобный объект размерности 1 или массив индикаторов меток / разреженная матрица

Предсказанные метки, возвращаемые классификатором. Разреженная матрица поддерживается только для целей типа многометочных.

sample_weightмассивоподобный объект формы (n_samples,), значение по умолчанию=None

Веса объектов.

Добавлено в версии 0.18.

Возвращает:

lossчисло с плавающей точкой

Возвращает среднюю потерю Хэмминга между элементами y_true и y_pred.

См. также

accuracy_score

Вычисляет оценку точности. По умолчанию функция возвращает долю правильных предсказаний от общего числа предсказаний.

jaccard_score

Вычисляет оценку коэффициента сходства Жаккара.

zero_one_loss

Вычисляет потерю классификации «ноль-один». По умолчанию функция возвращает долю подмножеств, предсказанных не идеально.

Примечания

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

В многометочной классификации потеря Хэмминга отличается от потери «ноль-один» для подмножеств. При потере «ноль-один» весь набор меток для заданного объекта считается неверным, если он не полностью совпадает с истинным набором меток. Потеря Хэмминга более снисходительна: она штрафует только отдельные метки.

Потеря Хэмминга ограничена сверху потерей «ноль-один» для подмножеств, если параметр normalize установлен в True. Она всегда находится в диапазоне от 0 до 1; чем меньше значение, тем лучше.

Литература

[1]

Grigorios Tsoumakas, Ioannis Katakis. Многометочная классификация: обзор. International Journal of Data Warehousing & Mining, 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 многометочном случае с бинарными индикаторами меток:

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

Примеры из галереи

Влияние сложности модели