label_ranking_loss

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

Вычисление меры потери ранжирования меток.

Вычисление среднего числа пар меток, которые неправильно упорядочены, с учетом y_score, взвешенных размером набора меток и количеством меток, не вошедших в набор.

Это аналогично размеру набора ошибок, но взвешено по количеству релевантных и нерелевантных меток. Лучшая производительность достигается при потере ранжирования, равной нулю.

Подробнее см. в Руководстве пользователя.

Добавлен в версии 0.17: Функция label_ranking_loss

Параметры:

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

Истинные бинарные метки в бинарном формате индикатора.

y_scorearray-like of shape (n_samples, n_labels)

Целевые оценки, могут быть оценками вероятности положительного класса, значениями уверенности или не пороговой мерой решений (как возвращает «decision_function» у 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:

lossfloat

Среднее количество пар меток, которые неправильно упорядочены, с учетом y_score, взвешенных размером набора меток и количеством меток, не вошедших в набор.

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 label_ranking_loss
>>> y_true = [[1, 0, 0], [0, 0, 1]]
>>> y_score = [[0.75, 0.5, 1], [1, 0.2, 0.1]]
>>> label_ranking_loss(y_true, y_score)
np.float64(0.75...)