maxframe.learn.metrics.accuracy_score#

maxframe.learn.metrics.accuracy_score(y_true, y_pred, normalize=True, sample_weight=None, execute=False, session=None, run_kwargs=None)[源代码]#

准确率分类评分。

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与 y_true 中对应的标签集*完全*匹配。

更多内容请参见 用户指南。

参数:

  • y_true (1d array-like, or label indicator tensor / sparse tensor) -- 真实（正确）标签。

  • y_pred (1d array-like, or label indicator tensor / sparse tensor) -- 由分类器返回的预测标签。

  • normalize (bool, optional (default=True)) -- 如果为 False，则返回正确分类的样本数。否则，返回正确分类样本的比例。

  • sample_weight (array-like of shape (n_samples,), default=None) -- 样本权重。

返回:

score -- 如果 normalize == True，则返回正确分类样本的比例（float），否则返回正确分类样本的数量（int）。最佳性能是当 normalize == True 时为 1，当 normalize == False 时为样本数量。

返回类型:

float

参见

jaccard_score, hamming_loss, zero_one_loss

备注

在二分类和多分类中，此函数等同于 jaccard_score 函数。

示例

>>> from maxframe.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

在使用二进制标签指示符的多标签情况下：

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