zero_one_loss

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

Потеря классификации ноль-один.

Если normalize равно True, возвращается доля неправильных классификаций (вещественное число), в противном случае возвращается количество неправильных классификаций (целое число). Лучшая производительность составляет 0.

Дополнительные сведения см. в Руководстве пользователя.

Параметры:

y_trueОдномерный массив-подобный объект или массив/разреженная матрица меток

Метки истинного значения (правильные метки).

y_predОдномерный массив-подобный объект или массив/разреженная матрица меток

Предсказанные метки, полученные от классификатора.

normalizebool, по умолчанию=True

Если False, возвращается количество неправильных классификаций. В противном случае возвращается доля неправильных классификаций.

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

Веса образцов.

Возвращает:

lossчисло с плавающей точкой или целое число,

Если normalize == True, возвращается доля неправильных классификаций (вещественное число), в противном случае возвращается количество неправильных классификаций (целое число).

См. также

accuracy_score

Вычислить точность. По умолчанию функция возвращает долю правильных предсказаний, деленную на общее количество предсказаний.

hamming_loss

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

jaccard_score

Вычисляет коэффициент схожести Якобса.

Примечания

В многомерной классификации функция zero_one_loss соответствует потере ноль-один для подмножества: для каждого образца весь набор меток должен быть правильно предсказан, в противном случае потеря для этого образца равна 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 случае многомерной метки с бинарными индикаторами меток:

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