马修斯相关系数

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

计算马修斯相关系数 (MCC)。

马修斯相关系数在机器学习中用作二元和多类别分类质量的度量。它考虑了真阳性、假阳性、真阴性和假阴性，通常被认为是一个平衡的度量，即使类别大小差异很大也可以使用。MCC 本质上是一个介于 -1 和 +1 之间的相关系数。+1 系数表示完美的预测，0 表示平均随机预测，-1 表示反向预测。该统计量也称为 phi 系数。[来源：维基百科]

支持二元和多类别标签。只有在二元情况下，这才能与有关真阳性、假阳性、真阴性和假阴性的信息相关。请参见下面的参考文献。

在 用户指南 中了解更多信息。

参数：

y_true形状为 (n_samples,) 的类数组

地面实况（正确）目标值。

y_pred形状为 (n_samples,) 的类数组

分类器返回的估计目标。

sample_weight形状为 (n_samples,) 的类数组，默认为 None

样本权重。

在 0.18 版本中添加。

返回值:

mcc浮点数

马修斯相关系数（+1 代表完美预测，0 代表平均随机预测，-1 代表反向预测）。

参考文献

[1]

Baldi, Brunak, Chauvin, Andersen 和 Nielsen, (2000). Assessing the accuracy of prediction algorithms for classification: an overview.

[2]

维基百科词条：马修斯相关系数（φ 系数）.

[3]

Gorodkin, (2004). Comparing two K-category assignments by a K-category correlation coefficient.

[4]

Jurman, Riccadonna, Furlanello, (2012). A Comparison of MCC and CEN Error Measures in MultiClass Prediction.

示例

>>> from sklearn.metrics import matthews_corrcoef
>>> y_true = [+1, +1, +1, -1]
>>> y_pred = [+1, -1, +1, +1]
>>> matthews_corrcoef(y_true, y_pred)
np.float64(-0.33...)