Python sklearn matthews_corrcoef用法及代碼示例

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

用法:

sklearn.metrics.matthews_corrcoef(y_true, y_pred, *, sample_weight=None)

計算馬修斯相關係數 (MCC)。

馬修斯相關係數在機器學習中用作衡量二元和多類分類質量的指標。它考慮了真假陽性和陰性，通常被認為是一種平衡的度量，即使類的大小非常不同，也可以使用它。 MCC本質上是-1和+1之間的相關係數值。 +1 的係數表示完美預測，0 表示平均隨機預測，-1 表示逆預測。該統計量也稱為 phi 係數。 [來源：維基百科]

支持二進製和多類標簽。隻有在二進製情況下，這才與關於真假陽性和陰性的信息有關。請參閱下麵的引用。

在用戶指南中閱讀更多信息。

參數：

y_true：數組，形狀 = [n_samples]

基本事實(正確)目標值。

y_pred：數組，形狀 = [n_samples]

分類器返回的估計目標。

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

樣本權重。

返回：

mcc：浮點數

Matthews 相關係數(+1 代表完美預測，0 代表平均隨機預測，-1 代表逆預測)。

參考：

1

Baldi、Brunak、Chauvin、Andersen 和 Nielsen，(2000 年)。評估分類預測算法的準確性：概述.

2

馬修斯相關係數的維基百科條目.

3

戈羅德金，(2004 年)。通過 K-category 相關係數比較兩個 K-category 分配.

4

尤爾曼、裏卡多納、弗拉內洛，(2012)。 MultiClass 預測中 MCC 和 CEN 誤差測量的比較.

例子：

>>> from sklearn.metrics import matthews_corrcoef
>>> y_true = [+1, +1, +1, -1]
>>> y_pred = [+1, -1, +1, +1]
>>> matthews_corrcoef(y_true, y_pred)
-0.33...