Python sklearn matthews_corrcoef用法及代码示例

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

用法:

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

计算马修斯相关系数 (MCC)。

马修斯相关系数在机器学习中用作衡量二元和多类分类质量的指标。它考虑了真假阳性和阴性，通常被认为是一种平衡的度量，即使类的大小非常不同，也可以使用它。 MCC本质上是-1和+1之间的相关系数值。 +1 的系数表示完美预测，0 表示平均随机预测，-1 表示逆预测。该统计量也称为 phi 系数。 [来源：维基百科]

支持二进制和多类标签。只有在二进制情况下，这才与关于真假阳性和阴性的信息有关。请参阅下面的引用。

在用户指南中阅读更多信息。

参数：

y_true：数组，形状 = [n_samples]

基本事实(正确)目标值。

y_pred：数组，形状 = [n_samples]

分类器返回的估计目标。

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

样本权重。

返回：

mcc：浮点数

Matthews 相关系数(+1 代表完美预测，0 代表平均随机预测，-1 代表逆预测)。

参考：

1

Baldi、Brunak、Chauvin、Andersen 和 Nielsen，(2000 年)。评估分类预测算法的准确性：概述.

2

马修斯相关系数的维基百科条目.

3

戈罗德金，(2004 年)。通过 K-category 相关系数比较两个 K-category 分配.

4

尤尔曼、里卡多纳、弗拉内洛，(2012)。 MultiClass 预测中 MCC 和 CEN 误差测量的比较.

例子：

>>> from sklearn.metrics import matthews_corrcoef
>>> y_true = [+1, +1, +1, -1]
>>> y_pred = [+1, -1, +1, +1]
>>> matthews_corrcoef(y_true, y_pred)
-0.33...