Python sklearn jaccard_score用法及代码示例

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

用法:

sklearn.metrics.jaccard_score(y_true, y_pred, *, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn')

Jaccard 相似系数得分。

Jaccard index [1] 或 Jaccard 相似度系数，定义为交集的大小除以两个标签集的并集大小，用于将样本的预测标签集与对应的标签集进行比较y_true 。

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。

labels：形状类似数组 (n_classes,)，默认=无

当 average != 'binary' 时要包含的标签集，如果 average is None 则它们的顺序。可以排除数据中存在的标签，例如计算忽略多数负类的多类平均值，而数据中不存在的标签将导致宏观平均值中的 0 个分量。对于多标签目标，标签是列索引。默认情况下，y_true 和y_pred 中的所有标签都按排序顺序使用。

pos_label：str 或 int，默认 = 1

如果average='binary' 并且数据是二进制的，则要报告的类。如果数据是多类或多标签的，这将被忽略；设置 labels=[pos_label] 和 average != 'binary' 将仅报告该标签的分数。

average：{‘micro’, ‘macro’, ‘samples’, ‘weighted’, ‘binary’} 或无，默认='二进制'

如果 None ，则返回每个类的分数。否则，这将确定对数据执行的平均类型：

'binary'：

仅报告 pos_label 指定的类的结果。这仅适用于目标 (y_{true,pred}) 是二进制的。

'micro'：

通过计算总的真阳性、假阴性和假阳性来全局计算指标。

'macro'：

计算每个标签的指标，并找到它们的未加权平均值。这没有考虑标签不平衡。

'weighted'：

计算每个标签的指标，并找到它们的平均值，按支持度加权(每个标签的真实实例数)。这会改变 ‘macro’ 以解决标签不平衡问题。

'samples'：

计算每个实例的指标，并找到它们的平均值(仅对多标签分类有意义)。

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

样本权重。

zero_division：“warn”, {0.0, 1.0}, 默认=”warn”

设置当有零除法时返回的值，即当预测和标签中没有负值时。如果设置为“warn”，这就像 0，但也会引发警告。

返回：

score：浮点数(如果平均值不是无)或浮点数数组，形状 = [n_unique_labels]

注意：

如果某些样本或类没有阳性结果，jaccard_score 可能是一个糟糕的指标。如果没有真实或预测的标签，Jaccard 是未定义的，我们的实现将返回 0 分并带有警告。

参考：

1

Wikipedia entry for the Jaccard index 。

例子：

>>> import numpy as np
>>> from sklearn.metrics import jaccard_score
>>> y_true = np.array([[0, 1, 1],
...                    [1, 1, 0]])
>>> y_pred = np.array([[1, 1, 1],
...                    [1, 0, 0]])

在二进制情况下：

>>> jaccard_score(y_true[0], y_pred[0])
0.6666...

在多标签情况下：

>>> jaccard_score(y_true, y_pred, average='samples')
0.5833...
>>> jaccard_score(y_true, y_pred, average='macro')
0.6666...
>>> jaccard_score(y_true, y_pred, average=None)
array([0.5, 0.5, 1. ])

在多类情况下：

>>> y_pred = [0, 2, 1, 2]
>>> y_true = [0, 1, 2, 2]
>>> jaccard_score(y_true, y_pred, average=None)
array([1. , 0. , 0.33...])