Python dask_ml.metrics.accuracy_score用法及代码示例

用法: dask_ml.metrics.accuracy_score(y_true: dask_ml._typing.ArrayLike, y_pred: dask_ml._typing.ArrayLike, normalize: bool = True, sample_weight: Optional[dask_ml._typing.ArrayLike] = None, compute: bool = True) → dask_ml._typing.ArrayLike

准确度分类得分。

在多标签分类中，此函数计算子集精度：为样本预测的标签集必须与 y_true 中的相应标签集完全匹配。

在用户指南中阅读更多信息。

参数：

y_true：1d array-like，或标签指示符数组: 基本事实(正确)标签。
y_pred：1d array-like，或标签指示符数组: 分类器返回的预测标签。
normalize：布尔，可选(默认=真): 如果 False ，返回正确分类的样本数。否则，返回正确分类样本的分数。
sample_weight：1d array-like，可选: 样本权重。

score：标量 dask 数组

如果 normalize == True ，返回正确分类的样本(浮点数)，否则返回正确分类的样本数(整数)。

最好的性能是 1 与 normalize == True 和样本数与 normalize == False 。

注意：

在二元和多类分类中，此函数等于jaccard_similarity_score 函数。

例子：

>>> import dask.array as da
>>> import numpy as np
>>> from dask_ml.metrics import accuracy_score
>>> y_pred = da.from_array(np.array([0, 2, 1, 3]), chunks=2)
>>> y_true = da.from_array(np.array([0, 1, 2, 3]), chunks=2)
>>> accuracy_score(y_true, y_pred)
dask.array<mean_agg-aggregate, shape=(), dtype=float64, chunksize=()>
>>> _.compute()
0.5
>>> accuracy_score(y_true, y_pred, normalize=False).compute()
2

在具有二进制标签指示符的多标签情况下：

>>> accuracy_score(np.array([[0, 1], [1, 1]]), np.ones((2, 2)))
0.5

相关用法

注：本文由纯净天空筛选整理自dask.org大神的英文原创作品 dask_ml.metrics.accuracy_score。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。

用法:

参数：

返回：

注意：

例子：