jaccard_score#

sklearn.metrics.jaccard_score(y_true, y_pred, *, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn')#

Jaccard相似系数得分。

Jaccard指数[1]，或称Jaccard相似系数，定义为两个标签集的交集大小除以它们的并集大小，用于比较样本的预测标签集与 y_true 中相应的标签集。

通过将:term:multiclass 和:term:multilabel 数据视为每个标签的二元问题集合，实现了对:term:binary 目标之外的支持。对于:term:binary 情况，设置 average='binary' 将返回 pos_label 的Jaccard相似系数。如果 average 不是 'binary' ，则忽略 pos_label ，并计算两个类别的分数，然后进行平均或同时返回（当 average=None 时）。类似地，对于:term:multiclass 和:term:multilabel 目标，所有 labels 的分数根据 average 参数返回或平均。使用 labels 指定要计算分数的标签集。

更多信息请参阅:ref:用户指南 <jaccard_similarity_score> 。

Parameters:
y_true1d array-like, 或标签指示器数组/稀疏矩阵

真实标签（正确的）。

y_pred1d array-like, 或标签指示器数组/稀疏矩阵

分类器返回的预测标签。

labels形状为(n_classes,)的数组, 默认=None

当 average != 'binary' 时要包含的标签集，以及当 average is None 时标签的顺序。可以排除数据中的标签，例如在多类分类中排除“负类”。可以包含数据中不存在的标签，并将被“分配”0个样本。对于多标签目标，标签是列索引。默认情况下， y_true 和 y_pred 中的所有标签按排序顺序使用。

pos_labelint, float, bool 或 str, 默认=1

如果 average='binary' 且数据是二元的，则报告的类别，否则忽略此参数。对于多类或多标签目标，设置 labels=[pos_label] 和 average != 'binary' 以仅报告一个标签的指标。

average{‘micro’, ‘macro’, ‘samples’, ‘weighted’, ‘binary’} 或 None, 默认=’binary’

如果为 None ，则返回每个类别的分数。否则，这决定了对数据执行的平均类型：

'binary' :

仅报告由 pos_label 指定的类别的结果。仅在目标 ( y_{true,pred} ) 为二元时适用。

'micro' :

通过计算总的真阳性、假阴性和假阳性来全局计算指标。

'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。

'weighted' :

计算每个标签的指标，并根据支持（每个标签的真实例数）找到它们的加权平均值。这改变了’macro’以考虑标签不平衡。

'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形状为(n_samples,)的数组, 默认=None

样本权重。

zero_division“warn”, {0.0, 1.0}, 默认=”warn”

设置当除数为零时返回的值，即当预测和标签中没有负值时。如果设置为”warn”，这相当于0，但也会发出警告。

Returns:
scorefloat 或 形状为(n_unique_labels,)的ndarray, dtype=np.float64

Jaccard分数。当 average 不是 None 时，返回一个标量。

See also

accuracy_score

计算准确率分数的函数。

f1_score

计算F1分数的函数。

multilabel_confusion_matrix

计算每个类别或样本的混淆矩阵的函数。

Notes

jaccard_score 可能在某些样本或类别没有正例时表现不佳。Jaccard在没有任何真实或预测标签时未定义，我们的实现将返回0分并发出警告。

References

Examples

>>> 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]])

在二元情况下：

>>> jaccard_score(y_true[0], y_pred[0])
0.6666...

在2D比较情况下（例如图像相似性）：

>>> jaccard_score(y_true, y_pred, average="micro")
0.6

在多标签情况下：

>>> 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...])
On this page
Show Source