hinge_loss

sklearn.metrics.hinge_loss(y_true, pred_decision, *, labels=None, sample_weight=None)

平均铰链损失（非正规化）。

在二进制类情况下，假设y_true中的标签用+1和-1编码，当出现预测错误时， margin = y_true * pred_decision 总是消极的（因为迹象不一致），这意味着 1 - margin 始终大于1。 因此，累积的铰链损失是分类器所犯错误数量的上限。

在多类情况下，该函数期望所有标签都包含在y_true中，或者提供包含所有标签的可选标签参数。多标签余量根据Crammer-Singer的方法计算。与二进制情况一样，累积的铰链损失是分类器所犯错误数量的上限。

阅读更多的 User Guide .

参数:

y_true形状类似阵列（n_samples，）

真正的目标，由两个值的整数组成。阳性标签必须大于阴性标签。

pred_decision形状类似阵列（n_samples，）或（n_samples，n_classes）

预测决策，由decision_函数（floats）输出。

labels类数组，默认=无

包含问题的所有标签。用于多类铰链损失。

sample_weight形状类似数组（n_samples，），默认=无

样本重量。

返回:

loss浮子

平均铰链损失。

引用

[1]

Wikipedia entry on the Hinge loss <https://en.wikipedia.org/wiki/Hinge_loss> _.

[2]

科比·克莱默、约拉姆·辛格。基于多类核的载体机的数学实现。《机器学习研究杂志》2，（2001），265-292。

[3]

L1 AND L2 Regularization for Multiclass Hinge Loss Models by Robert C. Moore, John DeNero <https://storage.googleapis.com/pub-tools-public-publication-data/pdf/37362.pdf> _.

示例

>>> from sklearn import svm
>>> from sklearn.metrics import hinge_loss
>>> X = [[0], [1]]
>>> y = [-1, 1]
>>> est = svm.LinearSVC(random_state=0)
>>> est.fit(X, y)
LinearSVC(random_state=0)
>>> pred_decision = est.decision_function([[-2], [3], [0.5]])
>>> pred_decision
array([-2.18...,  2.36...,  0.09...])
>>> hinge_loss([-1, 1, 1], pred_decision)
np.float64(0.30...)

在多类情况下：

>>> import numpy as np
>>> X = np.array([[0], [1], [2], [3]])
>>> Y = np.array([0, 1, 2, 3])
>>> labels = np.array([0, 1, 2, 3])
>>> est = svm.LinearSVC()
>>> est.fit(X, Y)
LinearSVC()
>>> pred_decision = est.decision_function([[-1], [2], [3]])
>>> y_true = [0, 2, 3]
>>> hinge_loss(y_true, pred_decision, labels=labels)
np.float64(0.56...)