sklearn.metrics

评分函数、性能指标、成对指标和距离计算。

用户指南。 更多详细信息请参见指标和评分：量化预测质量和成对指标、相似度和核部分。

模型选择接口

用户指南。 更多详细信息请参见评分参数：定义模型评估规则部分。

check_scoring	根据用户选项确定评分器。
get_scorer	从字符串获取评分器。
get_scorer_names	获取所有可用评分器的名称。
make_scorer	从性能指标或损失函数创建评分器。

分类指标

用户指南。 更多详细信息请参见分类指标部分。

accuracy_score	准确率分类得分。
auc	使用梯形规则计算曲线下面积（AUC）。
average_precision_score	从预测分数计算平均精度（AP）。
balanced_accuracy_score	计算平衡准确率。
brier_score_loss	计算 Brier 分数损失。
class_likelihood_ratios	计算二元分类的正负似然比。
classification_report	构建一个文本报告，显示主要分类指标。
cohen_kappa_score	计算 Cohen's kappa：衡量标注者间一致性的统计量。
confusion_matrix	计算混淆矩阵以评估分类的准确性。
d2_log_loss_score	\(D^2\) 评分函数，解释的对数损失比例。
dcg_score	计算折损累计增益。
det_curve	计算不同概率阈值下的检测误差权衡 (DET)。
f1_score	计算 F1 分数，也称为平衡 F 分数或 F-measure。
fbeta_score	计算 F-beta 分数。
hamming_loss	计算平均汉明损失。
hinge_loss	平均合页损失（非正则化）。
jaccard_score	Jaccard 相似系数分数。
log_loss	对数损失，又称逻辑损失或交叉熵损失。
matthews_corrcoef	计算 Matthews 相关系数（MCC）。
multilabel_confusion_matrix	计算每个类别或样本的混淆矩阵。
ndcg_score	计算归一化折损累计增益。
precision_recall_curve	计算不同概率阈值下的精确率-召回率对。
precision_recall_fscore_support	计算每个类别的精确率、召回率、F-measure 和支持度。
precision_score	计算精确率。
recall_score	计算召回率。
roc_auc_score	从预测分数计算接收者操作特征曲线下面积（ROC AUC）。
roc_curve	计算接收者操作特征曲线（ROC）。
top_k_accuracy_score	Top-k 准确率分类得分。
zero_one_loss	零一分类损失。

回归指标

用户指南。 更多详细信息请参见回归指标部分。

d2_absolute_error_score	\(D^2\) 回归评分函数，解释的绝对误差比例。
d2_pinball_score	\(D^2\) 回归评分函数，解释的弹球损失比例。
d2_tweedie_score	\(D^2\) 回归评分函数，解释的 Tweedie 偏差比例。
explained_variance_score	解释方差回归评分函数。
max_error	max_error 指标计算最大残差。
mean_absolute_error	平均绝对误差回归损失。
mean_absolute_percentage_error	平均绝对百分比误差（MAPE）回归损失。
mean_gamma_deviance	平均 Gamma 偏差回归损失。
mean_pinball_loss	分位数回归的弹球损失。
mean_poisson_deviance	平均 Poisson 偏差回归损失。
mean_squared_error	均方误差回归损失。
mean_squared_log_error	均方对数误差回归损失。
mean_tweedie_deviance	平均 Tweedie 偏差回归损失。
median_absolute_error	中位数绝对误差回归损失。
r2_score	\(R^2\) (决定系数) 回归评分函数。
root_mean_squared_error	均方根误差回归损失。
root_mean_squared_log_error	均方根对数误差回归损失。

多标签排序指标

用户指南。 更多详细信息请参见多标签排序指标部分。

coverage_error	覆盖误差度量。
label_ranking_average_precision_score	计算基于排名的平均精度。
label_ranking_loss	计算排序损失度量。

聚类指标

聚类分析结果的评估指标。

• 有监督评估使用每个样本的真实类别值。

• 无监督评估不使用真实值，而是衡量模型本身的“质量”。

用户指南。 更多详细信息请参见聚类性能评估部分。

adjusted_mutual_info_score	两个聚类间的调整互信息。
adjusted_rand_score	经机会调整的 Rand 指数。
calinski_harabasz_score	计算 Calinski 和 Harabasz 分数。
cluster.contingency_matrix	构建描述标签之间关系的列联矩阵。
cluster.pair_confusion_matrix	两个聚类产生的配对混淆矩阵。
completeness_score	给定真实值，计算聚类标签的完整性指标。
davies_bouldin_score	计算 Davies-Bouldin 分数。
fowlkes_mallows_score	衡量一组点的两个聚类之间的相似性。
homogeneity_completeness_v_measure	一次性计算同质性、完整性和 V-Measure 分数。
homogeneity_score	给定真实值，聚类标签的同质性指标。
mutual_info_score	两个聚类之间的互信息。
normalized_mutual_info_score	两个聚类之间的归一化互信息。
rand_score	Rand 指数。
silhouette_samples	计算每个样本的轮廓系数。
silhouette_score	计算所有样本的平均轮廓系数。
v_measure_score	给定真实值，V-measure 聚类标签。

双聚类指标

用户指南。 更多详细信息请参见双聚类评估部分。

consensus_score

两组双聚类的相似性。

距离指标

DistanceMetric

快速距离度量函数的统一接口。

成对指标

用于样本集之间成对距离和相似度的指标。

用户指南。 更多详细信息请参见成对指标、相似度和核部分。

pairwise.additive_chi2_kernel	计算 X 和 Y 中观测值之间的加性卡方核。
pairwise.chi2_kernel	计算 X 和 Y 之间的指数卡方核。
pairwise.cosine_distances	计算 X 和 Y 中样本之间的余弦距离。
pairwise.cosine_similarity	计算 X 和 Y 中样本之间的余弦相似度。
pairwise.distance_metrics	pairwise_distances 的有效指标。
pairwise.euclidean_distances	计算特征数组 X 和 Y 中每对之间的距离矩阵。
pairwise.haversine_distances	计算 X 和 Y 中样本之间的 Haversine 距离。
pairwise.kernel_metrics	pairwise_kernels 的有效指标。
pairwise.laplacian_kernel	计算 X 和 Y 之间的拉普拉斯核。
pairwise.linear_kernel	计算 X 和 Y 之间的线性核。
pairwise.manhattan_distances	计算 X 和 Y 中向量之间的 L1 距离。
pairwise.nan_euclidean_distances	在存在缺失值的情况下计算欧几里得距离。
pairwise.paired_cosine_distances	计算 X 和 Y 之间成对余弦距离。
pairwise.paired_distances	计算 X 和 Y 之间成对距离。
pairwise.paired_euclidean_distances	计算 X 和 Y 之间成对欧几里得距离。
pairwise.paired_manhattan_distances	计算 X 和 Y 之间成对 L1 距离。
pairwise.pairwise_kernels	计算数组 X 和可选数组 Y 之间的核。
pairwise.polynomial_kernel	计算 X 和 Y 之间的多项式核。
pairwise.rbf_kernel	计算 X 和 Y 之间的 rbf (高斯) 核。
pairwise.sigmoid_kernel	计算 X 和 Y 之间的 Sigmoid 核。
pairwise_distances	从特征数组 X 和可选的 Y 计算距离矩阵。
pairwise_distances_argmin	计算一个点与一组点之间的最小距离。
pairwise_distances_argmin_min	计算一个点与一组点之间的最小距离。
pairwise_distances_chunked	分块生成距离矩阵，并可选地进行降维。

绘图

用户指南。 更多详细信息请参见可视化部分。

ConfusionMatrixDisplay	混淆矩阵可视化。
DetCurveDisplay	检测误差权衡 (DET) 曲线可视化。
PrecisionRecallDisplay	精确率-召回率可视化。
PredictionErrorDisplay	回归模型的预测误差可视化。
RocCurveDisplay	ROC 曲线可视化。