Python sklearn zero_one_loss用法及代码示例

本文简要介绍python语言中 sklearn.metrics.zero_one_loss 的用法。

用法:

sklearn.metrics.zero_one_loss(y_true, y_pred, *, normalize=True, sample_weight=None)

Zero-one分类损失。

如果 normalize 是 True ，则返回错误分类的分数(浮点数)，否则返回错误分类的数量(整数)。最佳性能为 0。

在用户指南中阅读更多信息。

参数：

y_true：一维数组，或标签指示符数组/稀疏矩阵

基本事实(正确)标签。

y_pred：一维数组，或标签指示符数组/稀疏矩阵

分类器返回的预测标签。

normalize：布尔，默认=真

如果 False ，返回错误分类的数量。否则，返回错误分类的比例。

sample_weight：形状类似数组 (n_samples,)，默认=None

样本权重。

返回：

loss：浮点数或整数，

如果 normalize == True ，返回错误分类的分数(浮点数)，否则返回错误分类的数量(整数)。

注意：

在多标签分类中，zero_one_loss 函数对应于子集zero-one loss：对于每个样本，必须正确预测整个标签集，否则该样本的损失等于 1。

例子：

>>> from sklearn.metrics import zero_one_loss
>>> y_pred = [1, 2, 3, 4]
>>> y_true = [2, 2, 3, 4]
>>> zero_one_loss(y_true, y_pred)
0.25
>>> zero_one_loss(y_true, y_pred, normalize=False)
1

在具有二进制标签指示符的多标签情况下：

>>> import numpy as np
>>> zero_one_loss(np.array([[0, 1], [1, 1]]), np.ones((2, 2)))
0.5