Python sklearn jaccard_score用法及代碼示例

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

用法:

sklearn.metrics.jaccard_score(y_true, y_pred, *, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn')

Jaccard 相似係數得分。

Jaccard index [1] 或 Jaccard 相似度係數，定義為交集的大小除以兩個標簽集的並集大小，用於將樣本的預測標簽集與對應的標簽集進行比較y_true 。

在用戶指南中閱讀更多信息。

參數：

y_true：一維數組，或標簽指示符數組/稀疏矩陣

基本事實(正確)標簽。

y_pred：一維數組，或標簽指示符數組/稀疏矩陣

分類器返回的預測標簽。

labels：形狀類似數組 (n_classes,)，默認=無

當 average != 'binary' 時要包含的標簽集，如果 average is None 則它們的順序。可以排除數據中存在的標簽，例如計算忽略多數負類的多類平均值，而數據中不存在的標簽將導致宏觀平均值中的 0 個分量。對於多標簽目標，標簽是列索引。默認情況下，y_true 和y_pred 中的所有標簽都按排序順序使用。

pos_label：str 或 int，默認 = 1

如果average='binary' 並且數據是二進製的，則要報告的類。如果數據是多類或多標簽的，這將被忽略；設置 labels=[pos_label] 和 average != 'binary' 將僅報告該標簽的分數。

average：{‘micro’, ‘macro’, ‘samples’, ‘weighted’, ‘binary’} 或無，默認='二進製'

如果 None ，則返回每個類的分數。否則，這將確定對數據執行的平均類型：

'binary'：

僅報告 pos_label 指定的類的結果。這僅適用於目標 (y_{true,pred}) 是二進製的。

'micro'：

通過計算總的真陽性、假陰性和假陽性來全局計算指標。

'macro'：

計算每個標簽的指標，並找到它們的未加權平均值。這沒有考慮標簽不平衡。

'weighted'：

計算每個標簽的指標，並找到它們的平均值，按支持度加權(每個標簽的真實實例數)。這會改變 ‘macro’ 以解決標簽不平衡問題。

'samples'：

計算每個實例的指標，並找到它們的平均值(僅對多標簽分類有意義)。

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

樣本權重。

zero_division：“warn”, {0.0, 1.0}, 默認=”warn”

設置當有零除法時返回的值，即當預測和標簽中沒有負值時。如果設置為“warn”，這就像 0，但也會引發警告。

返回：

score：浮點數(如果平均值不是無)或浮點數數組，形狀 = [n_unique_labels]

注意：

如果某些樣本或類沒有陽性結果，jaccard_score 可能是一個糟糕的指標。如果沒有真實或預測的標簽，Jaccard 是未定義的，我們的實現將返回 0 分並帶有警告。

參考：

1

Wikipedia entry for the Jaccard index 。

例子：

>>> import numpy as np
>>> from sklearn.metrics import jaccard_score
>>> y_true = np.array([[0, 1, 1],
...                    [1, 1, 0]])
>>> y_pred = np.array([[1, 1, 1],
...                    [1, 0, 0]])

在二進製情況下：

>>> jaccard_score(y_true[0], y_pred[0])
0.6666...

在多標簽情況下：

>>> jaccard_score(y_true, y_pred, average='samples')
0.5833...
>>> jaccard_score(y_true, y_pred, average='macro')
0.6666...
>>> jaccard_score(y_true, y_pred, average=None)
array([0.5, 0.5, 1. ])

在多類情況下：

>>> y_pred = [0, 2, 1, 2]
>>> y_true = [0, 1, 2, 2]
>>> jaccard_score(y_true, y_pred, average=None)
array([1. , 0. , 0.33...])