Python sklearn zero_one_loss用法及代碼示例

本文簡要介紹python語言中 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分類損失。

如果 normalize 是 True ，則返回錯誤分類的分數(浮點數)，否則返回錯誤分類的數量(整數)。最佳性能為 0。

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。

normalize：布爾，默認=真

如果 False ，返回錯誤分類的數量。否則，返回錯誤分類的比例。

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

樣本權重。

返回：

loss：浮點數或整數，

如果 normalize == True ，返回錯誤分類的分數(浮點數)，否則返回錯誤分類的數量(整數)。

注意：

在多標簽分類中，zero_one_loss 函數對應於子集zero-one loss：對於每個樣本，必須正確預測整個標簽集，否則該樣本的損失等於 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

在具有二進製標簽指示符的多標簽情況下：

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