Python sklearn top_k_accuracy_score用法及代码示例

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

用法:

sklearn.metrics.top_k_accuracy_score(y_true, y_score, *, k=2, normalize=True, sample_weight=None, labels=None)

Top-k 准确度分类得分。

该指标计算正确标签出现在预测的前 k 标签中的次数(按预测分数排名)。请注意，这里不涉及多标签案例。

在用户指南中阅读更多信息

参数：

y_true：形状类似数组 (n_samples,)

真正的标签。

y_score：形状为 (n_samples,) 或 (n_samples, n_classes) 的类似数组

目标分数。这些可以是概率估计值或非阈值决策值(在某些分类器上由decision_function 返回)。二进制情况需要形状为 (n_samples,) 的分数，而多类情况需要形状为 (n_samples, n_classes) 的分数。在多类情况下，类分数的顺序必须对应于 labels 的顺序(如果提供)，或者对应于 y_true 中标签的数字或字典顺序。如果y_true 不包含所有标签，则必须提供labels。

k：整数，默认=2

考虑找到正确标签的最可能结果的数量。

normalize：布尔，默认=真

如果 True ，返回正确分类样本的分数。否则，返回正确分类的样本数。

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

样本权重。如果 None ，所有样本都被赋予相同的权重。

labels：形状类似数组 (n_classes,)，默认=无

仅限多类。索引 y_score 中的类的标签列表。如果 None ，则使用 y_true 中标签的数字或字典顺序。如果y_true 不包含所有标签，则必须提供labels。

返回：

score：浮点数

top-k 准确度得分。最好的性能是 1 与 normalize == True 和样本数与 normalize == False 。

注意：

在两个或多个标签被分配相同预测分数的情况下，将首先选择具有最高索引的标签。如果正确的标签因此落在阈值之后，这可能会影响结果。

例子：

>>> import numpy as np
>>> from sklearn.metrics import top_k_accuracy_score
>>> y_true = np.array([0, 1, 2, 2])
>>> y_score = np.array([[0.5, 0.2, 0.2],  # 0 is in top 2
...                     [0.3, 0.4, 0.2],  # 1 is in top 2
...                     [0.2, 0.4, 0.3],  # 2 is in top 2
...                     [0.7, 0.2, 0.1]]) # 2 isn't in top 2
>>> top_k_accuracy_score(y_true, y_score, k=2)
0.75
>>> # Not normalizing gives the number of "correctly" classified samples
>>> top_k_accuracy_score(y_true, y_score, k=2, normalize=False)
3