dcg_score#

sklearn.metrics.dcg_score(y_true, y_score, *, k=None, log_base=2, sample_weight=None, ignore_ties=False)[source]#

计算折损累计增益（Discounted Cumulative Gain）。

对根据预测得分排序的真实得分进行求和，并应用对数折损。

如果真实标签被 y_score 排在靠前位置，则此排序指标会产生高值。

通常更推荐使用标准化折损累计增益（Normalized Discounted Cumulative Gain, NDCG，通过 ndcg_score 计算）。

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，或待排序实体的真实得分。
y_score形状为 (n_samples, n_labels) 的类数组: 目标得分，可以是概率估计、置信度值，或未经过阈值处理的决策度量（某些分类器上的“decision_function”返回的值）。
k整型, 默认为 None: 仅考虑排序中最高的 k 个得分。如果为 None，则使用所有输出。
log_base浮点型, 默认为 2: 用于折损的对数基数。值越低表示折损越急剧（靠前结果越重要）。
sample_weight形状为 (n_samples,) 的类数组, 默认为 None: 样本权重。如果为 None，则所有样本具有相同的权重。
ignore_ties布尔型, 默认为 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:

discounted_cumulative_gain浮点型: 平均样本 DCG 分数。

另请参阅

ndcg_score: 折损累计增益除以理想折损累计增益（完美排名获得的 DCG），以得到一个介于 0 和 1 之间的分数。

参考文献

维基百科关于折损累计增益的条目.

Jarvelin, K., & Kekalainen, J. (2002). 基于累计增益的IR技术评估。ACM Transactions on Information Systems (TOIS), 20(4), 422-446。

Wang, Y., Wang, L., Li, Y., He, D., Chen, W., & Liu, T. Y. (2013, May). NDCG 排名度量的理论分析。收录于第26届学习理论年会论文集 (COLT 2013)。

McSherry, F., & Najork, M. (2008, March). 在存在平局得分的情况下高效计算信息检索性能度量。收录于欧洲信息检索会议 (pp. 414-421)。Springer, Berlin, Heidelberg。

示例

>>> import numpy as np
>>> from sklearn.metrics import dcg_score
>>> # we have ground-truth relevance of some answers to a query:
>>> true_relevance = np.asarray([[10, 0, 0, 1, 5]])
>>> # we predict scores for the answers
>>> scores = np.asarray([[.1, .2, .3, 4, 70]])
>>> dcg_score(true_relevance, scores)
9.49
>>> # we can set k to truncate the sum; only top k answers contribute
>>> dcg_score(true_relevance, scores, k=2)
5.63
>>> # 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 true
>>> # relevance of our top predictions: (10 + 5) / 2 = 7.5
>>> dcg_score(true_relevance, scores, k=1)
7.5
>>> # 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:
>>> dcg_score(true_relevance,
...           scores, k=1, ignore_ties=True)
5.0

dcg_score#

本页