sklearn.metrics.hinge_loss¶
sklearn.metrics.hinge_loss(y_true, pred_decision, *, labels=None, sample_weight=None)
平均铰链损耗（非常规）
在二元类情况下，假设y_true中的标签用+1和-1编码，则在发生预测错误时，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，累积的铰链损耗是分类器所犯错误数量的上限。
在多类情况下，该函数期望所有标签都包含在y_true中，或者提供一个包含所有标签的可选标签参数。 多标签边距是根据Crammer-Singer的方法计算的。 与二进制情况一样，累积的铰链损耗是分类器得出错误数量的上限。
在用户指南中阅读更多内容。
| 参数 | 说明 |
|---|---|
| y_true | array, shape = [n_samples] 真实目标，由两个值的整数组成。 正标签必须大于负标签。 |
| pred_decision | array, shape = [n_samples] or [n_samples, n_classes] 预测决策，由Decision_function输出（浮点数）。 |
| labels | array, optional, default None 包含问题的所有标签。 用于多类铰链损耗。 |
| sample_weight | array-like of shape (n_samples,), default=None 样本权重。 |
| 返回值 | 说明 |
|---|---|
| loss | float |
参考
1 Wikipedia entry on the Hinge loss
2 Koby Crammer, Yoram Singer. On the Algorithmic Implementation of Multiclass Kernel-based Vector Machines. Journal of Machine Learning Research 2, (2001), 265-292
3 L1 AND L2 Regularization for Multiclass Hinge Loss Models by Robert C. Moore, John DeNero.
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)
0.30...
在多类情况下：
>>> 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)
0.56...