sklearn.metrics.zero_one_loss¶
sklearn.metrics.zero_one_loss(y_true, y_pred, *, normalize=True, sample_weight=None)
零一分类损失。
如果标准化为True，则返回错误分类的分数（float），否则返回错误分类的数目（int）。最佳性能为0。
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。 |
| normalize | bool, optional (default=True) 如果为False，则返回错误分类的数量。否则，返回错误分类的分数。 |
| sample_weight | array-like of shape (n_samples,), default=None 样本权重。 |
| 返回值 | 说明 |
|---|---|
| loss | float or int, 如果normalize == True，则返回错误分类的分数（浮点数），否则返回错误分类的数目（整数）。 |
另见：
注
在多标签分类中，zero_one_loss函数对应于子集零一损失：对于每个样本，必须正确预测整个标签集合，否则该样本的损失等于一。
示例
>>> from sklearn.metrics import zero_one_loss
>>> y_pred = [1, 2, 3, 4]
>>> y_true = [2, 2, 3, 4]
>>> zero_one_loss(y_true, y_pred)
0.25
>>> zero_one_loss(y_true, y_pred, normalize=False)
1
在带有二进制标签指示符的多标签情况下：
>>> import numpy as np
>>> zero_one_loss(np.array([[0, 1], [1, 1]]), np.ones((2, 2)))
0.5
