归一化折损累积增益 (NDCG) 评分#

sklearn.metrics.ndcg_score(y_true, y_score, *, k=None, sample_weight=None, ignore_ties=False)[source]#

计算归一化折损累积增益。

对根据预测分数排序的真实分数进行对数折扣后求和。然后除以最佳可能分数（理想 DCG，在完美排序的情况下获得）以获得 0 到 1 之间的分数。

如果 y_score 对真实标签进行了高排名，则此排名指标将返回一个高值。

参数：

y_true形状为 (n_samples, n_labels) 的类数组: 多标签分类的真实目标，或要排序的实体的真实分数。 y_true 中的负值可能导致输出不在 0 到 1 之间。
y_score形状为 (n_samples, n_labels) 的类数组: 目标分数，可以是概率估计、置信度值或非阈值决策度量（某些分类器上的“decision_function”返回）。
kint，默认值=None: 仅考虑排名中最高的 k 个分数。如果 None，则使用所有输出。
sample_weight形状为 (n_samples,) 的类数组，默认值=None: 样本权重。如果 None，则所有样本都具有相同的权重。
ignore_tiesbool，默认值=False: 为提高效率，假设 y_score 中没有平局（如果 y_score 是连续的，则很可能如此）。

返回：

normalized_discounted_cumulative_gain[0., 1.] 中的浮点数: 所有样本的平均 NDCG 分数。

另请参见

折损累积增益 (DCG) 评分 (dcg_score): 折损累积增益（未归一化）。

参考文献

维基百科关于折损累积增益的词条

Jarvelin, K. & Kekalainen, J. (2002)。基于累积增益的 IR 技术评估。ACM 信息系统汇刊 (TOIS), 20(4), 422-446。

Wang, Y., Wang, L., Li, Y., He, D., Chen, W. & Liu, T. Y. (2013, 5月)。NDCG 排名度量的理论分析。在第 26 届年度学习理论会议论文集 (COLT 2013) 中

McSherry, F. & Najork, M. (2008, 3月)。在存在关联分数的情况下有效计算信息检索性能度量。在欧洲信息检索会议 (第 414-421 页) 中。施普林格，柏林，海德堡。

示例

>>> import numpy as np
>>> from sklearn.metrics import ndcg_score
>>> # we have ground-truth relevance of some answers to a query:
>>> true_relevance = np.asarray([[10, 0, 0, 1, 5]])
>>> # we predict some scores (relevance) for the answers
>>> scores = np.asarray([[.1, .2, .3, 4, 70]])
>>> ndcg_score(true_relevance, scores)
np.float64(0.69...)
>>> scores = np.asarray([[.05, 1.1, 1., .5, .0]])
>>> ndcg_score(true_relevance, scores)
np.float64(0.49...)
>>> # we can set k to truncate the sum; only top k answers contribute.
>>> ndcg_score(true_relevance, scores, k=4)
np.float64(0.35...)
>>> # the normalization takes k into account so a perfect answer
>>> # would still get 1.0
>>> ndcg_score(true_relevance, true_relevance, k=4)
np.float64(1.0...)
>>> # now we have some ties in our prediction
>>> scores = np.asarray([[1, 0, 0, 0, 1]])
>>> # by default ties are averaged, so here we get the average (normalized)
>>> # true relevance of our top predictions: (10 / 10 + 5 / 10) / 2 = .75
>>> ndcg_score(true_relevance, scores, k=1)
np.float64(0.75...)
>>> # we can choose to ignore ties for faster results, but only
>>> # if we know there aren't ties in our scores, otherwise we get
>>> # wrong results:
>>> ndcg_score(true_relevance,
...           scores, k=1, ignore_ties=True)
np.float64(0.5...)