jaccard_score#

sklearn.metrics.jaccard_score(y_true, y_pred, *, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn')[source]#

Jaccard 相似系数分数。

Jaccard 指数 [1]，或 Jaccard 相似系数，定义为两个标签集交集的大小除以并集的大小，用于将样本的预测标签集与 y_true 中的相应标签集进行比较。

通过将多分类和多标签数据视为二分类问题的集合（每个标签一个问题），实现对二分类目标之外的支持。对于二分类情况，设置 average='binary' 将返回 pos_label 的 Jaccard 相似系数。如果 average 不是 'binary'，则忽略 pos_label 并计算两个类别的分数，然后进行平均或同时返回（当 average=None 时）。类似地，对于多分类和多标签目标，所有 labels 的分数会根据 average 参数返回或平均。使用 labels 指定要计算分数的标签集。

在用户指南中阅读更多内容。

参数:

y_true1d array-like, or label indicator array / sparse matrix

真实（正确）标签。仅当标签类型为多标签时才支持稀疏矩阵。

y_pred1d array-like, or label indicator array / sparse matrix

预测标签，由分类器返回。仅当标签类型为多标签时才支持稀疏矩阵。

labels形状为 (n_classes,) 的类数组对象, 默认为 None

当 average != 'binary' 时要包括的标签集，如果 average is None，则为它们的顺序。可以排除数据中存在的标签，例如在多类分类中排除“负类”。可以包括数据中不存在的标签，这些标签将被“分配”0个样本。对于多标签目标，标签是列索引。默认情况下，按排序顺序使用 y_true 和 y_pred 中的所有标签。

pos_labelint, float, bool or str, default=1

如果 average='binary' 且数据为二元，则报告的类别，否则此参数将被忽略。对于多类或多标签目标，设置 labels=[pos_label] 和 average != 'binary' 以仅报告一个标签的指标。

average{‘micro’, ‘macro’, ‘samples’, ‘weighted’, ‘binary’} or None, default=’binary’

如果为 None，则返回每个类别的分数。否则，这决定了对数据执行的平均类型

'binary':: 仅报告由 pos_label 指定的类别的结果。这仅适用于目标 (y_{true,pred}) 是二元的情况。
'micro':: 通过计算总的真正例、假负例和假正例来全局计算指标。
'macro':: 计算每个标签的指标，并找到它们的未加权平均值。这不考虑标签不平衡。
'weighted':: 计算每个标签的度量，并找出它们的平均值，按支持度（每个标签的真实实例数）加权。这会修改“宏平均”以适应标签不平衡。
'samples':: 计算每个实例的度量，并找出它们的平均值（仅对多标签分类有意义）。

sample_weightshape 为 (n_samples,) 的 array-like, default=None

样本权重。

zero_division“warn”, {0.0, 1.0}, default=”warn”

设置当发生零除时（即预测和标签中没有负值时）返回的值。如果设置为“warn”，则其作用类似于 0，但也会引发警告。

0.24 版本新增。

返回:

scorefloat or ndarray of shape (n_unique_labels,), dtype=np.float64: Jaccard 分数。当 average 不为 None 时，返回单个标量。

另请参阅

accuracy_score: 用于计算准确率分数的函数。
f1_score: 用于计算 F1 分数的函数。
multilabel_confusion_matrix: 用于计算每个类别或样本的混淆矩阵的函数。

注意事项

jaccard_score 如果某些样本或类别没有正值，可能是一个不好的度量。如果没有真实或预测标签，Jaccard 是未定义的，我们的实现将返回分数为 0 并发出警告。

References

[1]

Jaccard 指数的维基百科条目.

示例

>>> import numpy as np
>>> from sklearn.metrics import jaccard_score
>>> y_true = np.array([[0, 1, 1],
...                    [1, 1, 0]])
>>> y_pred = np.array([[1, 1, 1],
...                    [1, 0, 0]])

在二分类情况中

>>> jaccard_score(y_true[0], y_pred[0])
0.6666

在二维比较情况中（例如图像相似性）

>>> jaccard_score(y_true, y_pred, average="micro")
0.6

在多标签情况中

>>> jaccard_score(y_true, y_pred, average='samples')
0.5833
>>> jaccard_score(y_true, y_pred, average='macro')
0.6666
>>> jaccard_score(y_true, y_pred, average=None)
array([0.5, 0.5, 1. ])

在多分类情况中

>>> y_pred = [0, 2, 1, 2]
>>> y_true = [0, 1, 2, 2]
>>> jaccard_score(y_true, y_pred, average=None)
array([1. , 0. , 0.33])

Gallery examples#

使用分类器链进行多标签分类

jaccard_score#

Gallery examples#

本页