铰链损失#

sklearn.metrics.hinge_loss(y_true, pred_decision, *, labels=None, sample_weight=None)[source]#

平均合页损失（非正则化）。

在二元分类情况下，假设 y_true 中的标签用 +1 和 -1 编码，当预测错误时，margin = y_true * pred_decision 始终为负（因为符号不同），这意味着 1 - margin 始终大于 1。因此，累积合页损失是分类器犯错次数的上限。

在多分类情况下，该函数期望 y_true 中包含所有标签，或者提供一个可选的 labels 参数，其中包含所有标签。多标签余量根据 Crammer-Singer 方法计算。与二元情况一样，累积合页损失是分类器犯错次数的上限。

更多信息请阅读 用户指南。

参数：
y_truearray-like 形状为 (n_samples,) 的数组

真实目标，由两个值的整数构成。正标签必须大于负标签。

pred_decisionarray-like 形状为 (n_samples,) 或 (n_samples, n_classes) 的数组

预测决策，由 decision_function 输出（浮点数）。

labelsarray-like，默认为 None

包含问题的所有标签。用于多分类合页损失。

sample_weightarray-like 形状为 (n_samples,) 的数组，默认为 None

样本权重。

返回：
lossfloat

平均合页损失。

参考文献

[2]

Koby Crammer, Yoram Singer. On the Algorithmic Implementation of Multiclass Kernel-based Vector Machines. Journal of Machine Learning Research 2, (2001), 265-292.

示例

>>> from sklearn import svm
>>> from sklearn.metrics import hinge_loss
>>> X = [[0], [1]]
>>> y = [-1, 1]
>>> est = svm.LinearSVC(random_state=0)
>>> est.fit(X, y)
LinearSVC(random_state=0)
>>> pred_decision = est.decision_function([[-2], [3], [0.5]])
>>> pred_decision
array([-2.18...,  2.36...,  0.09...])
>>> hinge_loss([-1, 1, 1], pred_decision)
np.float64(0.30...)

多类别情况

>>> import numpy as np
>>> X = np.array([[0], [1], [2], [3]])
>>> Y = np.array([0, 1, 2, 3])
>>> labels = np.array([0, 1, 2, 3])
>>> est = svm.LinearSVC()
>>> est.fit(X, Y)
LinearSVC()
>>> pred_decision = est.decision_function([[-1], [2], [3]])
>>> y_true = [0, 2, 3]
>>> hinge_loss(y_true, pred_decision, labels=labels)
np.float64(0.56...)