sklearn.metrics.jaccard_score¶

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

Jaccard similarity coefficient score.

Jaccardův index neboli Jaccardův koeficient podobnosti, definovaný jako velikost průniku dělená velikostí sjednocení dvou sad štítků, se používá k porovnání sady predikovaných štítků pro vzorek s odpovídající sadou štítků v y_true.

Další informace najdete v uživatelské příručce.

Parametry y_true1d pole podobné poli nebo pole indikátorů štítků / řídká matice

Základní pravdivé (správné) štítky.

y_pred1d array-like, nebo pole indikátorů štítků / řídká matice

Předpokládané štítky, jak je vrátil klasifikátor.

labelsarray-like of shape (n_classes,), default=None

Sada štítků, které se mají zahrnout, pokud average != 'binary', a jejich pořadí, pokud average is None. Štítky přítomné v datech mohou býtvyloučeny, například pro výpočet průměru více tříd, který ignoruje většinově negativní třídu, zatímco štítky, které nejsou přítomny v datech, budou mít za následek 0 složek v makroprůměru. U víceznačkových cílů jsou štítky indexy sloupců. Ve výchozím nastavení jsou všechny štítky v y_true ay_pred použity v seřazeném pořadí.

pos_labelstr nebo int, výchozí=1

Třída, která se má vykazovat, pokud average='binary' a data jsou binární.Pokud jsou data vícetřídní nebo víceznačková, bude to ignorováno;nastavení labels= a average != 'binary' bude vykazovatskóre pouze pro danou značku.

average{None, ‚micro‘, ‚macro‘, ‚samples‘, ‚weighted‘, ‚binary‘}, výchozí=’binary‘

Pokud None, budou vrácena skóre pro každou třídu. V opačném případě určuje typ průměrování provedeného na datech:

'binary': y_{true,pred}) jsou binární. 'micro':

Vypočítejte metriky globálně spočítáním celkového počtu pravdivě pozitivních,falešně negativních a falešně pozitivních výsledků.

'macro':

Vypočítejte metriky pro každou značku a zjistěte jejich nevážený průměr. To nezohledňuje nevyváženost štítků.

'weighted':

Vypočítejte metriky pro každý štítek a zjistěte jejich průměr vážený podle podpory (počet pravdivých případů pro každý štítek). Tím se změní ‚makro‘, aby se zohlednila nevyváženost štítků.

'samples':

Vypočítá metriky pro každou instanci a zjistí jejich průměr (má význam pouze pro klasifikaci více štítků).

sample_weightarray-like of shape (n_samples,), výchozí=None

Váhy vzorků.

zero_division „warn“, {0.0, 1.0}, výchozí=“warn“

Nastavuje hodnotu, která se má vrátit, když existuje nulové dělení, tj. když v predikcích a štítcích nejsou žádné záporné hodnoty. Pokud je nastaveno na „warn“, chová se to jako 0, ale je také vyvoláno varování.

Vrací skórefloat (pokud průměr není None) nebo pole floatů, tvar =

Poznámky

jaccard_scoremůže být špatná metrika, pokud pro některé vzorky nebo třídy neexistují kladné hodnoty. Jaccard je nedefinovaný, pokud neexistují pravdivé nebo předpovídané značky, a naše implementace vrátí skóre 0 s varováním.

1

Heslo na Wikipedii pro Jaccardův index.

Příklady

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

V binárním případě:

>>> jaccard_score(y_true, y_pred)0.6666...

V případě více štítků:

>>> 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()

V případě více tříd:

>>> y_pred = >>> y_true = >>> jaccard_score(y_true, y_pred, average=None)array()