本文简要介绍python语言中 sklearn.metrics.zero_one_loss
的用法。
用法:
sklearn.metrics.zero_one_loss(y_true, y_pred, *, normalize=True, sample_weight=None)
Zero-one分类损失。
如果 normalize 是
True
,则返回错误分类的分数(浮点数),否则返回错误分类的数量(整数)。最佳性能为 0。在用户指南中阅读更多信息。
- 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。
- normalize:布尔,默认=真
如果
False
,返回错误分类的数量。否则,返回错误分类的比例。- sample_weight:形状类似数组 (n_samples,),默认=None
样本权重。
- loss:浮点数或整数,
如果
normalize == True
,返回错误分类的分数(浮点数),否则返回错误分类的数量(整数)。
参数:
返回:
注意:
在多标签分类中,zero_one_loss 函数对应于子集zero-one loss:对于每个样本,必须正确预测整个标签集,否则该样本的损失等于 1。
例子:
>>> from sklearn.metrics import zero_one_loss >>> y_pred = [1, 2, 3, 4] >>> y_true = [2, 2, 3, 4] >>> zero_one_loss(y_true, y_pred) 0.25 >>> zero_one_loss(y_true, y_pred, normalize=False) 1
在具有二进制标签指示符的多标签情况下:
>>> import numpy as np >>> zero_one_loss(np.array([[0, 1], [1, 1]]), np.ones((2, 2))) 0.5
相关用法
- Python sklearn jaccard_score用法及代码示例
- Python sklearn WhiteKernel用法及代码示例
- Python sklearn CalibrationDisplay.from_predictions用法及代码示例
- Python sklearn VotingRegressor用法及代码示例
- Python sklearn gen_batches用法及代码示例
- Python sklearn ExpSineSquared用法及代码示例
- Python sklearn MDS用法及代码示例
- Python sklearn adjusted_rand_score用法及代码示例
- Python sklearn MLPClassifier用法及代码示例
- Python sklearn train_test_split用法及代码示例
- Python sklearn RandomTreesEmbedding用法及代码示例
- Python sklearn GradientBoostingRegressor用法及代码示例
- Python sklearn GridSearchCV用法及代码示例
- Python sklearn log_loss用法及代码示例
- Python sklearn r2_score用法及代码示例
- Python sklearn ndcg_score用法及代码示例
- Python sklearn ShrunkCovariance用法及代码示例
- Python sklearn SelfTrainingClassifier用法及代码示例
- Python sklearn load_svmlight_file用法及代码示例
- Python sklearn make_pipeline用法及代码示例
- Python sklearn MultiTaskLasso用法及代码示例
- Python sklearn KBinsDiscretizer用法及代码示例
- Python sklearn power_transform用法及代码示例
- Python sklearn PowerTransformer.inverse_transform用法及代码示例
- Python sklearn IncrementalPCA用法及代码示例
注:本文由纯净天空筛选整理自scikit-learn.org大神的英文原创作品 sklearn.metrics.zero_one_loss。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。