zero_one_loss

sklearn.metrics.zero_one_loss(y_true, y_pred, *, normalize=True, sample_weight=None)[source]

Функция потерь классификации с нулём или единицей.

Если normalize имеет значение True, возвращается доля ошибочных классификаций, в противном случае — их количество. Наилучший результат — 0.

Подробнее см. в руководстве пользователя.

Параметры:

y_trueодномерный массивоподобный объект или массив индикаторов меток / разреженная матрица

Истинные (правильные) метки. Разреженная матрица поддерживается только для меток типа многометочные.

y_predодномерный массивоподобный объект или массив индикаторов меток / разреженная матрица

Предсказанные метки, возвращённые классификатором. Разреженная матрица поддерживается только для меток типа многометочные.

normalizebool, по умолчанию=True

Если False, возвращается количество ошибочных классификаций. В противном случае возвращается их доля.

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

Веса образцов.

Возвращает:

lossfloat

Если normalize == True, возвращается доля ошибочных классификаций, в противном случае — их количество.

См. также

accuracy_score

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

hamming_loss

Вычисляет среднюю потерю Хэмминга или расстояние Хэмминга между двумя наборами образцов.

jaccard_score

Вычисляет оценку коэффициента сходства Жаккара.

Примечания

В многометочной классификации функция zero_one_loss соответствует подмножественной функции потерь с нулём или единицей: для каждого образца необходимо правильно предсказать весь набор меток, иначе потери для этого образца равны единице.

Примеры

>>> from sklearn.metrics import zero_one_loss
>>> y_pred = [1, 2, 3, 4]
>>> y_true = [2, 2, 3, 4]
>>> zero_one_loss(y_true, y_pred)
0.25
>>> zero_one_loss(y_true, y_pred, normalize=False)
1.0

В многометочном случае с двоичными индикаторами меток:

>>> import numpy as np
>>> zero_one_loss(np.array([[0, 1], [1, 1]]), np.ones((2, 2)))
0.5