平衡准确率评分#

sklearn.metrics.balanced_accuracy_score(y_true, y_pred, *, sample_weight=None, adjusted=False)[source]#

计算平衡准确率。

平衡准确率用于处理不平衡数据集的二元和多分类问题。它定义为在每个类别上获得的召回率的平均值。

当adjusted=False时，最佳值为1，最差值为0。

更多信息请阅读用户指南。

在0.20版本中添加。

参数：

y_truearray-like of shape (n_samples,): 真实目标值。
y_predarray-like of shape (n_samples,): 分类器预测的目标值。
sample_weightarray-like，形状 (n_samples,)，默认为 None: 样本权重。
adjusted布尔值，默认为 False: 如果为 True，则结果将针对偶然性进行调整，使随机性能的分数为 0，同时保持完美性能的分数为 1。

返回:

balanced_accuracy浮点数: 平衡准确率得分。

另请参阅

average_precision_score: 根据预测分数计算平均精度 (AP)。
精确率评分: 计算精确率得分。
召回率评分: 计算召回率得分。
ROC曲线下面积 (AUC): 根据预测分数计算受试者工作特征曲线下面积 (ROC AUC)。

备注

一些文献推广了平衡准确率的替代定义。我们的定义等效于使用类平衡样本权重的accuracy_score，并且与二元情况具有相同的理想特性。请参见用户指南。

参考文献

[1]

Brodersen, K.H.; Ong, C.S.; Stephan, K.E.; Buhmann, J.M. (2010). The balanced accuracy and its posterior distribution. Proceedings of the 20th International Conference on Pattern Recognition, 3121-24.

[2]

John. D. Kelleher, Brian Mac Namee, Aoife D’Arcy, (2015). Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, Worked Examples, and Case Studies.

示例

>>> from sklearn.metrics import balanced_accuracy_score
>>> y_true = [0, 1, 0, 0, 1, 0]
>>> y_pred = [0, 1, 0, 0, 0, 1]
>>> balanced_accuracy_score(y_true, y_pred)
np.float64(0.625)