matthews_corrcoef

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

Вычисление коэффициента корреляции Мэттьюса (MCC).

Коэффициент корреляции Мэттьюса используется в машинном обучении для оценки качества двоичной и многоклассовой классификации. Он учитывает истинные и ложные положительные и отрицательные значения и, как правило, является сбалансированной мерой, которую можно использовать даже если классы имеют очень разные размеры. Коэффициент MCC представляет собой значение коэффициента корреляции от -1 до +1. Коэффициент +1 соответствует идеально правильной предсказанию, 0 — средней случайной предсказанию, а -1 — обратной предсказанию. Статистику также называют коэффициентом Фи. [Источник: Википедия]

Поддерживаются двоичные и многоклассовые метки. Только в двоичном случае это относится к информации об истинных и ложных положительных и отрицательных значениях. См. ссылки ниже.

Дополнительные сведения см. в Руководстве пользователя.

Параметры:

y_trueмассив-подобный формы (n_samples,)

Истинные (корректные) целевые значения.

y_predмассив-подобный формы (n_samples,)

Оцененные целевые значения, возвращаемые классификатором.

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

Веса образцов.

Добавлен в версии 0.18.

Возвращает:

mccfloat

Коэффициент корреляции Мэттьюса (+1 соответствует идеально правильной предсказанию, 0 — средней случайной предсказанию, а -1 — обратной предсказанию).

Ссылки

[1]

Baldi, Brunak, Chauvin, Andersen и Nielsen, (2000). Оценка точности алгоритмов прогнозирования для классификации: обзор.

[2]

Статья Википедии о коэффициенте корреляции Мэттьюса (коэффициент Фи).

[3]

Gorodkin, (2004). Сравнение двух K-категорийных назначений с помощью K-категорийного коэффициента корреляции.

[4]

Jurman, Riccadonna, Furlanello, (2012). Сравнение мер ошибок MCC и CEN в многоклассовой прогнозировке.

Примеры

>>> from sklearn.metrics import matthews_corrcoef
>>> y_true = [+1, +1, +1, -1]
>>> y_pred = [+1, -1, +1, +1]
>>> matthews_corrcoef(y_true, y_pred)
np.float64(-0.33...)