label_ranking_loss

sklearn.metrics.label_ranking_loss(y_true, y_score, *, sample_weight=None)

计算排名损失测量。

给定y_score，根据标签集的大小和不在标签集中的标签数量加权，计算排序错误的标签对的平均数量。

这与错误集大小类似，但由相关和不相关标签的数量加权。最佳性能是在排名损失为零的情况下实现的。

阅读更多的 User Guide .

Added in version 0.17: 的函数 label_ranking_loss

参数:

y_true{array-like, sparse matrix} of shape (n_samples, n_labels)

二进制指示符格式的真正二进制标签。

y_score数组状的形状（n_samples，n_labels）

目标分数可以是正类别的概率估计、置信值或决策的非阈值测量（如某些分类器上的“decision_function”返回的）。为 decision_function 分数、大于或等于零的值应表示阳性类别。

sample_weight形状类似数组（n_samples，），默认=无

样本重量。

返回:

loss浮子

给定y_score，按标签集的大小和不在标签集中的标签数量加权，顺序错误的标签对的平均数量。

引用

[1]

祖马卡斯，G.，卡塔基斯岛&弗拉哈瓦斯岛（2010）。挖掘多标签数据。在数据挖掘和知识发现手册中（pp. 667-685）。斯普林格美国。

示例

>>> from sklearn.metrics import label_ranking_loss
>>> y_true = [[1, 0, 0], [0, 0, 1]]
>>> y_score = [[0.75, 0.5, 1], [1, 0.2, 0.1]]
>>> label_ranking_loss(y_true, y_score)
np.float64(0.75...)