mars.learn.metrics.accuracy_score#

mars.learn.metrics.accuracy_score(y_true, y_pred, normalize=True, sample_weight=None, session=None, run_kwargs=None)[来源]#

准确性分类得分。

在多标签分类中，此函数计算子集准确率：样本预测的标签集必须完全与y_true中对应的标签集匹配。

在用户指南中阅读更多内容。

Parameters

  • y_true (1维数组类似，或 标签指示张量 / 稀疏张量) – 真实值（正确的）标签。

  • y_pred (1维数组，或 标签指标张量 / 稀疏张量) – 由分类器返回的预测标签。

  • normalize (bool, optional (default=True)) – 如果 False，返回正确分类样本的数量。否则，返回正确分类样本的比例。

  • sample_weight (类数组，形状 (n_samples,), 默认值=None) – 样本权重。

Returns

得分 – 如果 normalize == True，返回正确分类样本的比例（浮动），否则返回正确分类样本的数量（整数）。

最佳性能是 1，前提是 normalize == True 且样本数量为 normalize == False。

Return type

float

另请参阅

jaccard_score, hamming_loss, zero_one_loss

备注

在二元和多类分类中，此函数等于jaccard_score函数。

示例

>>> from mars.learn.metrics import accuracy_score
>>> y_pred = [0, 2, 1, 3]
>>> y_true = [0, 1, 2, 3]
>>> accuracy_score(y_true, y_pred).execute()
0.5
>>> accuracy_score(y_true, y_pred, normalize=False).execute()
2

在多标签情况下，使用二进制标签指示符：

>>> import mars.tensor as mt
>>> accuracy_score(mt.array([[0, 1], [1, 1]]), mt.ones((2, 2))).execute()
0.5