Python sklearn hamming_loss用法及代码示例

本文简要介绍python语言中 sklearn.metrics.hamming_loss 的用法。

用法:

sklearn.metrics.hamming_loss(y_true, y_pred, *, sample_weight=None)

计算平均汉明损失。

汉明损失是错误预测的标签比例。

在用户指南中阅读更多信息。

参数：

y_true：一维数组，或标签指示符数组/稀疏矩阵

基本事实(正确)标签。

y_pred：一维数组，或标签指示符数组/稀疏矩阵

分类器返回的预测标签。

sample_weight：形状类似数组 (n_samples,)，默认=None

样本权重。

返回：

loss：浮点数或int

返回 y_true 和 y_pred 元素之间的平均汉明损失。

注意：

在多类分类中，当normalize参数设置为True时，汉明损失对应于y_true和y_pred之间的汉明距离，相当于zero_one_loss函数的子集。

在多标签分类中，汉明损失不同于子集zero-one损失。 zero-one 损失认为给定样本的整个标签集不正确，如果它不完全匹配真实的标签集。汉明损失更宽容，因为它只惩罚个别标签。

当 normalize 参数设置为 True 时，Hamming 损失的上限是子集 zero-one 损失。它始终介于 0 和 1 之间，越低越好。

参考：

1

格里戈里奥斯 Tsoumakas，Ioannis Katakis。多标签分类：概述。国际数据仓库与挖掘杂志，3(3)，1-13，July-September 2007。

2

Wikipedia entry on the Hamming distance 。

例子：

>>> from sklearn.metrics import hamming_loss
>>> y_pred = [1, 2, 3, 4]
>>> y_true = [2, 2, 3, 4]
>>> hamming_loss(y_true, y_pred)
0.25

在具有二进制标签指示符的多标签情况下：

>>> import numpy as np
>>> hamming_loss(np.array([[0, 1], [1, 1]]), np.zeros((2, 2)))
0.75