label_ranking_average_precision_score

sklearn.metrics.label_ranking_average_precision_score(y_true, y_score, *, sample_weight=None)[источник]

Вычисляет среднюю точность на основе ранжирования.

Средняя точность ранжирования меток (LRAP) — это среднее значение отношения числа истинных меток к общему числу меток с меньшей оценкой для каждой истинной метки, назначенной каждому образцу.

Эта метрика используется в задаче ранжирования с несколькими метками, цель которой — присвоить более высокий ранг меткам, связанным с каждым образцом.

Полученная оценка всегда строго больше 0, а наилучшее значение равно 1.

Подробнее см. в руководстве пользователя.

Параметры:

y_true{array-like, sparse matrix} of shape (n_samples, n_labels)

Истинные бинарные метки в формате индикатора меток.

y_scorearray-like of shape (n_samples, n_labels)

Оценки целевых меток: вероятности положительного класса или непороговые значения решения (возвращаемые 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.

Добавлено в версии 0.20.

Возвращает:

scorefloat

Средняя точность на основе ранжирования.

Примеры

>>> import numpy as np
>>> from sklearn.metrics import label_ranking_average_precision_score
>>> y_true = np.array([[1, 0, 0], [0, 0, 1]])
>>> y_score = np.array([[0.75, 0.5, 1], [1, 0.2, 0.1]])
>>> label_ranking_average_precision_score(y_true, y_score)
0.416