几何平均分数#
- imblearn.metrics.geometric_mean_score(y_true, y_pred, *, labels=None, pos_label=1, average='multiclass', sample_weight=None, correction=0.0)[source]#
计算几何平均数。
几何平均数（G-mean）是各类别敏感度的乘积的根。该度量试图在保持这些准确度平衡的同时，最大化每个类别的准确度。对于二分类问题，G-mean是敏感度和特异度乘积的平方根。对于多类问题，它是每个类别的敏感度乘积的更高次根。
为了与其他不平衡性能度量兼容，当
average != 'multiclass'时，可以在一对多的基础上分别为每个类别计算G-mean。最佳值为1，最差值为0。传统上，如果分类器至少有一个类别未被识别，G-mean将解析为零。为了缓解这一特性，对于高度多类别的情况，可以将未识别类别的敏感性“修正”为用户指定的值（而不是零）。此选项仅在
average == 'multiclass'时有效。更多内容请参阅用户指南。
- Parameters:
- y_truearray-like of shape (n_samples,)
真实（正确）目标值。
- y_predarray-like of shape (n_samples,)
分类器返回的估计目标。
- labelsarray-like, default=None
当
average != 'binary'时要包含的标签集，以及如果average is None时的顺序。数据中存在的标签可以被排除，例如在计算多类平均值时忽略大多数负类，而数据中不存在的标签将在宏平均值中导致0个组件。- pos_labelstr, int or None, default=1
如果
average='binary'且数据是二元的，则报告该类。 如果pos_label is None并且在二元分类中，如果average是'weighted'之一，则此函数返回平均几何平均值。 如果数据是多类的，则此设置将被忽略； 设置labels=[pos_label]和average != 'binary'将仅报告该标签的分数。- averagestr or None, default=’multiclass’
如果
None，则返回每个类的分数。否则，这将决定对数据执行的平均类型：'binary':仅报告由
pos_label指定的类别结果。 这仅在目标（y_{true,pred}）为二元时适用。'micro':通过计算总的真正例、假反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的情况。
'multiclass':没有取平均值。
'weighted':计算每个标签的指标，并根据支持度（每个标签的真实实例数量）找到它们的加权平均值。这改变了“宏”以考虑标签不平衡；它可能导致F分数不在精确度和召回率之间。
'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，这与
accuracy_score不同）。
- sample_weightarray-like of shape (n_samples,), default=None
样本权重。
- correctionfloat, default=0.0
将未识别类别的敏感度从零替换为给定值。
- Returns:
- geometric_meanfloat
返回几何平均值。
注释
参见 不平衡学习特有的指标。
参考文献
[1]Kubat, M. 和 Matwin, S. “解决不平衡训练集的诅咒：单边选择” ICML (1997)
[2]Barandela, R., Sánchez, J. S., Garcıa, V., & Rangel, E. “学习策略在类别不平衡问题中的应用”, Pattern Recognition, 36(3), (2003), pp 849-851.
示例
>>> from imblearn.metrics import geometric_mean_score >>> y_true = [0, 1, 2, 0, 1, 2] >>> y_pred = [0, 2, 1, 0, 0, 1] >>> geometric_mean_score(y_true, y_pred) 0.0 >>> geometric_mean_score(y_true, y_pred, correction=0.001) 0.010... >>> geometric_mean_score(y_true, y_pred, average='macro') 0.471... >>> geometric_mean_score(y_true, y_pred, average='micro') 0.471... >>> geometric_mean_score(y_true, y_pred, average='weighted') 0.471... >>> geometric_mean_score(y_true, y_pred, average=None) array([0.866..., 0. , 0. ])
