Python sklearn brier_score_loss用法及代碼示例

本文簡要介紹python語言中 sklearn.metrics.brier_score_loss 的用法。

用法:

sklearn.metrics.brier_score_loss(y_true, y_prob, *, sample_weight=None, pos_label=None)

計算 Brier 分數損失。

Brier 分數損失越小越好，因此命名為“loss”。 Brier 分數衡量預測概率與實際結果之間的均方差。 Brier 分數始終取值介於 0 和 1 之間，因為這是預測概率(必須介於 0 和 1 之間)與實際結果(隻能取 0 和 1 之間的值)之間的最大可能差異。它可以分解為細化損失和校準損失的總和。

Brier 分數適用於可以構造為真或假的二元和分類結果，但不適用於可以取三個或更多值的序數變量(這是因為 Brier 分數假設所有可能的結果都是等效的 “distant”彼此)。哪個標簽被認為是正標簽是通過參數 pos_label 控製的，它默認為更大的標簽，除非 y_true 全為 0 或全為 -1，在這種情況下 pos_label 默認為 1。

在用戶指南中閱讀更多信息。

參數：

y_true：形狀數組 (n_samples,)

真正的目標。

y_prob：形狀數組 (n_samples,)

正類的概率。

sample_weight：形狀類似數組 (n_samples,)，默認=None

樣本權重。

pos_label：int 或 str，默認=無

正類的標簽。 pos_label 將按以下方式推斷：

• 如果 y_true 在 {-1, 1} 或 {0, 1} 中，pos_label 默認為 1；
• 否則，如果y_true 包含字符串，則會引發錯誤並且應明確指定pos_label；
• 否則， pos_label 默認為更大的標簽，即 np.unique(y_true)[-1] 。

返回：

score：浮點數

布賴爾分數損失。

參考：

1

Wikipedia entry for the Brier score 。

例子：

>>> import numpy as np
>>> from sklearn.metrics import brier_score_loss
>>> y_true = np.array([0, 1, 1, 0])
>>> y_true_categorical = np.array(["spam", "ham", "ham", "spam"])
>>> y_prob = np.array([0.1, 0.9, 0.8, 0.3])
>>> brier_score_loss(y_true, y_prob)
0.037...
>>> brier_score_loss(y_true, 1-y_prob, pos_label=0)
0.037...
>>> brier_score_loss(y_true_categorical, y_prob, pos_label="ham")
0.037...
>>> brier_score_loss(y_true, np.array(y_prob) > 0.5)
0.0