cohen_kappa_score#
- sklearn.metrics.cohen_kappa_score(y1, y2, *, labels=None, weights=None, sample_weight=None)[source]#
计算 Cohen's kappa (科恩卡帕系数)：衡量注释者之间一致性的统计量。
此函数计算 Cohen's kappa [1]，该分数表示两个注释者在分类问题上的一致程度。其定义为
\[\kappa = (p_o - p_e) / (1 - p_e)\]其中 \(p_o\) 是任意样本标签经验一致性的概率（观察到的一致性比率），\(p_e\) 是当两个注释者随机分配标签时的预期一致性。\(p_e\) 是根据每个注释者对类别标签的经验先验估计得出的 [2]。
在用户指南中了解更多信息。
- 参数:
- y1形状为 (n_samples,) 的类数组对象
第一个注释者分配的标签。
- y2形状为 (n_samples,) 的类数组对象
第二个注释者分配的标签。kappa 统计量是对称的，因此交换
y1和y2不会改变其值。- labels形状为 (n_classes,) 的类数组对象，默认为 None
用于索引矩阵的标签列表。这可用于选择标签的子集。如果为
None，则使用在y1或y2中至少出现一次的所有标签。请注意，labels中必须至少有一个标签存在于
y1中，尽管此函数在其他方面对y1和y2的顺序不敏感。- weights{‘linear’, ‘quadratic’}，默认为 None
计算分数的加权类型。
None表示不加权；“linear”表示线性加权；“quadratic”表示二次加权。- sample_weight形状为 (n_samples,) 的类数组对象，默认为 None
样本权重。
- 返回:
- kappa浮点数
kappa 统计量，一个介于 -1 和 1 之间的数字。最大值表示完全一致；零或更低表示偶然一致。
参考文献
示例
>>> from sklearn.metrics import cohen_kappa_score >>> y1 = ["negative", "positive", "negative", "neutral", "positive"] >>> y2 = ["negative", "positive", "negative", "neutral", "negative"] >>> cohen_kappa_score(y1, y2) 0.6875