sklearn.metrics.jaccard_score¶
sklearn.metrics.jaccard_score(y_true, y_pred, *, labels=None, pos_label=1, average='binary', sample_weight=None)
雅卡德相似系数得分
Jaccard索引[1]或Jaccard相似系数，定义为交集的大小除以两个标签集的并集大小，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 。
在用户指南中阅读更多内容。
| 参数 | 说明 |
|---|---|
| y_true | 1d array-like, or label indicator array / sparse matrix 真实标签。 |
| y_pred | 1d array-like, or label indicator array / sparse matrix 预测标签，由分类器返回。 |
| labels | list, optional 当average！='binary'时要包括的一组标签，如果均值是None，则是标签的顺序。可以排除数据中存在的标签，例如，以忽略多数否定类的方式计算多类平均值，而数据中不存在的标签将导致宏平均值中的0成分。对于多标签目标，标签是列索引。 默认情况下，y_true和y_pred中的所有标签均按排序顺序使用。 |
| pos_label | str or int, 1 by default 如果average ='binary'且数据为二进制的报告类。如果数据是多类或多标签的，则将被忽略；设置标签= [pos_label]和average！='binary'将仅报告该标签的分数。 |
| average | string, [None|‘binary’ (default)| ‘micro’| ‘macro’| ‘samples’|‘weighted’] 如果为None，则返回每个类的分数。否则，将根据数据的平均表现确定类型： - 'binary':仅报告由pos_label指定的类的结果。仅当目标（y_ {true，pred}）为二进制时才适用。 - 'micro':通过计算真正例、假负例和假正例的总数来全局计算指标。 - 'macro':计算每个标签的度量，并找到其未加权平均值。没有考虑标签不平衡。 - 'weighted':计算每个标签的度量，并找到它们的平均值，然后按支撑度（每个标签的真实实例数）加权。 这会更改‘macro’以解决标签不平衡的问题。 - 'samples':计算每个实例的指标，并找到它们的平均值（仅对多标签分类有意义）。 |
| sample_weight | array-like of shape (n_samples,), default=None 样本权重。 |
| 返回值 | 说明 |
|---|---|
| score | float (if average is not None) or array of floats, shape = [n_unique_labels] |
另见：
accuracy_score,f_score,multilabel_confusion_matrix
注
如果某些样本或类没有正例，则jaccard_score度量可能不佳。 如果没有真实标签或预测标签，则Jaccard是未定义的，我们的实现将返回0分并带有警告。
参考
1 Wikipedia entry for the Jaccard index
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]])
在二进制情况下：
>>> jaccard_score(y_true[0], y_pred[0])
0.6666...
在多标签的情况下：
>>> 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. ])
在多类的情况下：
>>> 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...])
