Python sklearn label_ranking_average_precision_score用法及代码示例

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

用法:

sklearn.metrics.label_ranking_average_precision_score(y_true, y_score, *, sample_weight=None)

计算基于排名的平均精度。

标签排名平均精度 (LRAP) 是分配给每个样本的每个真实标签的平均值，即真实标签与得分较低的总标签的比率。

该指标用于多标签排名问题，其目标是为与每个样本关联的标签提供更好的排名。

获得的分数始终严格大于 0，最佳值为 1。

在用户指南中阅读更多信息。

参数：

y_true：{ndarray, 稀疏矩阵} 形状 (n_samples, n_labels)

二进制指标格式的真正二进制标签。

y_score：ndarray 形状(n_samples，n_labels)

目标分数，可以是正类的概率估计、置信度值或决策的非阈值度量(如在某些分类器上由 “decision_function” 返回)。

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

样本权重。

返回：

score：浮点数

例子：

>>> import numpy as np
>>> from sklearn.metrics import label_ranking_average_precision_score
>>> y_true = np.array([[1, 0, 0], [0, 0, 1]])
>>> y_score = np.array([[0.75, 0.5, 1], [1, 0.2, 0.1]])
>>> label_ranking_average_precision_score(y_true, y_score)
0.416...