jaccard_score

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

贾卡德相似性系数得分。

Jaccard指数 [1] ，或Jaccard相似系数，定义为交集的大小除以两个标签集的并集的大小，用于将样本的预测标签集与对应的标签集进行比较， y_true .

期限外的支持：通过治疗来实现“二元”目标 multiclass 和 multilabel 数据作为二进制问题的集合，每个标签一个问题。为 binary 案例、设置 average='binary' 将返回Jaccard相似性系数 pos_label .如果 average 不 'binary' , pos_label 被忽略，并计算两个类别的分数，然后求平均值或返回两者（当 average=None ).同样对于 multiclass 和 multilabel 目标、所有人的分数 labels 根据 average 参数.使用 labels 指定要计算分数的标签集。

阅读更多的 User Guide .

参数:

y_true1D类数组或标签指示符数组/稀疏矩阵

地面真相（正确）标签。

y_pred1D类数组或标签指示符数组/稀疏矩阵

预测标签，由分类器返回。

labels形状类似数组（n_classes，），默认=无

何时包含的标签集 average != 'binary' ，以及它们的顺序，如果 average is None .可以排除数据中存在的标签，例如在多类分类中排除“负类”。可以包括数据中未出现的标签，并将“分配”0个样本。对于多标签目标，标签是列索引。默认情况下，所有标签 y_true 和 y_pred 按排序顺序使用。

pos_labelint、float、bool或char，默认=1

如果需要报告的班级 average='binary' 并且数据是二进制的，否则该参数将被忽略。对于多类别或多标签目标，设置 labels=[pos_label] 和 average != 'binary' 仅报告一个标签的指标。

average“微观”，“宏观”，“样本”，“加权”， 'binary'}或无，默认值=' binary '

如果 None ，返回每个班级的成绩。否则，这将确定对数据执行的平均类型：

'binary' :

仅报告由指定的类的结果 pos_label .这仅适用于以下情况 (y_{true,pred} ）是二进制的。

'micro' :

通过计算总真阳性、假阴性和假阳性来计算全球指标。

'macro' :

计算每个标签的指标，并找到其未加权平均值。 这没有考虑标签不平衡。

'weighted' :

计算每个标签的指标，并找到其平均值，并通过支持度（每个标签的真实实例数量）进行加权。这会更改“宏”以解决标签不平衡问题。

'samples' :

计算每个实例的指标，并找到其平均值（仅对多标签分类有意义）。

sample_weight形状类似数组（n_samples，），默认=无

样本重量。

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

设置当存在零除时（即当预测和标签中没有负值时）返回的值。如果设置为“警告”，则其行为类似于0，但也会引发警告。

Added in version 0.24.

返回:

score形状的float或nd数组（n_unique_labels，），dype =np.float64

杰卡德的分数。当 average 不 None ，返回单个纯量。

参见

accuracy_score

用于计算准确度分数的功能。

f1_score

用于计算F1分数的函数。

multilabel_confusion_matrix

计算混淆矩阵的功能 针对每个类别或样本。

注意到

jaccard_score 如果对于某些样本或类别没有阳性，则可能是较差的度量。如果没有true或predicted标签，则Jaccard是未定义的，我们的实现将返回0分并带有警告。

引用

[1]

Wikipedia entry for the Jaccard index <https://en.wikipedia.org/wiki/Jaccard_index> _.

示例

>>> 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]])

In the binary case:

>>> jaccard_score(y_true[0], y_pred[0])
np.float64(0.6666...)

在2D比较情况下（例如图像相似性）：

>>> jaccard_score(y_true, y_pred, average="micro")
np.float64(0.6)

在多标签情况下：

>>> jaccard_score(y_true, y_pred, average='samples')
np.float64(0.5833...)
>>> jaccard_score(y_true, y_pred, average='macro')
np.float64(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...])