matthews_corrcoef

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

Вычисляет коэффициент корреляции Мэтьюса (MCC).

Коэффициент корреляции Мэтьюса используется в машинном обучении как мера качества бинарной и многоклассовой классификации. Он учитывает истинно- и ложноположительные, а также истинно- и ложноотрицательные результаты и обычно рассматривается как сбалансированная мера, которую можно использовать даже в том случае, если размеры классов сильно различаются. По сути, MCC — это коэффициент корреляции со значением от -1 до +1. Коэффициент +1 соответствует идеальному предсказанию, 0 — среднему случайному предсказанию, а -1 — инверсному предсказанию. Эта статистика также известна как коэффициент фи. [источник: Википедия]

Поддерживаются бинарные и многоклассовые метки. Только в бинарном случае эта мера связана с информацией об истинно- и ложноположительных, а также истинно- и ложноотрицательных результатах. См. ссылки ниже.

Подробнее см. в руководстве пользователя.

Параметры:

y_trueмассивоподобный объект формы (n_samples,)

Истинные (правильные) значения целевой переменной.

y_predмассивоподобный объект формы (n_samples,)

Предсказанные значения целевой переменной, возвращаемые классификатором.

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

Веса образцов.

Добавлено в версии 0.18.

Возвращает:

mccчисло с плавающей точкой

Коэффициент корреляции Мэтьюса (+1 соответствует идеальному предсказанию, 0 — среднему случайному предсказанию, а -1 — инверсному предсказанию).

Литература

[1]

Балди, Брунак, Шовен, Андерсен и Нильсен (2000). Оценка точности алгоритмов предсказания для классификации: обзор.

[2]

Статья в Википедии о коэффициенте корреляции Мэтьюса (коэффициенте фи).

[3]

Городкин (2004). Сравнение двух разбиений на K категорий с помощью коэффициента корреляции для K категорий.

[4]

Юрман, Риккадонна, Фурланелло (2012). Сравнение мер ошибки MCC и CEN при многоклассовом предсказании.

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)
-0.33