Python dask_ml.metrics.accuracy_score用法及代碼示例

用法: dask_ml.metrics.accuracy_score(y_true: dask_ml._typing.ArrayLike, y_pred: dask_ml._typing.ArrayLike, normalize: bool = True, sample_weight: Optional[dask_ml._typing.ArrayLike] = None, compute: bool = True) → dask_ml._typing.ArrayLike

準確度分類得分。

在多標簽分類中，此函數計算子集精度：為樣本預測的標簽集必須與 y_true 中的相應標簽集完全匹配。

在用戶指南中閱讀更多信息。

參數：

y_true：1d array-like，或標簽指示符數組: 基本事實(正確)標簽。
y_pred：1d array-like，或標簽指示符數組: 分類器返回的預測標簽。
normalize：布爾，可選(默認=真): 如果 False ，返回正確分類的樣本數。否則，返回正確分類樣本的分數。
sample_weight：1d array-like，可選: 樣本權重。

score：標量 dask 數組

如果 normalize == True ，返回正確分類的樣本(浮點數)，否則返回正確分類的樣本數(整數)。

最好的性能是 1 與 normalize == True 和樣本數與 normalize == False 。

注意：

在二元和多類分類中，此函數等於jaccard_similarity_score 函數。

例子：

>>> import dask.array as da
>>> import numpy as np
>>> from dask_ml.metrics import accuracy_score
>>> y_pred = da.from_array(np.array([0, 2, 1, 3]), chunks=2)
>>> y_true = da.from_array(np.array([0, 1, 2, 3]), chunks=2)
>>> accuracy_score(y_true, y_pred)
dask.array<mean_agg-aggregate, shape=(), dtype=float64, chunksize=()>
>>> _.compute()
0.5
>>> accuracy_score(y_true, y_pred, normalize=False).compute()
2

在具有二進製標簽指示符的多標簽情況下：

>>> accuracy_score(np.array([[0, 1], [1, 1]]), np.ones((2, 2)))
0.5

相關用法

注：本文由純淨天空篩選整理自dask.org大神的英文原創作品 dask_ml.metrics.accuracy_score。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。

用法:

參數：

返回：

注意：

例子：