Python mxnet.metric.MCC用法及代碼示例

用法: class mxnet.metric.MCC(name='mcc', output_names=None, label_names=None, average='macro')

參數：

name：(str) - 此度量實例的名稱用於顯示。
output_names：(list of str, or None) - 使用update_dict 更新時應使用的預測名稱。默認情況下包括所有預測。
label_names：(list of str, or None) - 使用update_dict 更新時應使用的標簽名稱。默認情況下包括所有標簽。
average：(str, default 'macro') -

用於跨小批量聚合的策略。
”macro”：平均每批次的 MCC。 “micro”：跨所有批次計算單個 MCC。

基礎： mxnet.metric.EvalMetric

計算二元分類問題的馬修斯相關係數。

雖然計算速度比 F1 慢，但 MCC 可以提供 F1 或 Accuracy 無法提供的洞察力。例如，如果網絡總是預測相同的結果，那麽 MCC 將立即顯示這一點。 MCC 在正分類和負分類方麵也是對稱的，但是，標簽中需要同時存在正樣本和負樣本，否則它將始終返回 0。MCC 為 0 是不相關的，1 是完全相關的，-1 是負樣本相關。

\[\text{MCC} = \frac{ TP \times TN - FP \times FN } {\sqrt{ (TP + FP) ( TP + FN ) ( TN + FP ) ( TN + FN ) } }\]

其中分母中的 0 項被 1 替換。

注意：

此版本的 MCC 僅支持二進製分類。見 PCC。

例子：

>>> # In this example the network almost always predicts positive
>>> false_positives = 1000
>>> false_negatives = 1
>>> true_positives = 10000
>>> true_negatives = 1
>>> predicts = [mx.nd.array(
    [[.3, .7]]*false_positives +
    [[.7, .3]]*true_negatives +
    [[.7, .3]]*false_negatives +
    [[.3, .7]]*true_positives
)]
>>> labels  = [mx.nd.array(
    [0.]*(false_positives + true_negatives) +
    [1.]*(false_negatives + true_positives)
)]
>>> f1 = mx.metric.F1()
>>> f1.update(preds = predicts, labels = labels)
>>> mcc = mx.metric.MCC()
>>> mcc.update(preds = predicts, labels = labels)
>>> print f1.get()
('f1', 0.95233560306652054)
>>> print mcc.get()
('mcc', 0.01917751877733392)

相關用法

注：本文由純淨天空篩選整理自apache.org大神的英文原創作品 mxnet.metric.MCC。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。