dask_ml.metrics.accuracy_score
dask_ml.metrics.accuracy_score¶
- dask_ml.metrics.accuracy_score(y_true: dask_ml._typing.ArrayLike, y_pred: dask_ml._typing.ArrayLike, normalize: bool = True, sample_weight: Optional[dask_ml._typing.ArrayLike] = None, compute: bool = True) dask_ml._typing.ArrayLike¶
分类准确率评分。
在多标签分类中，此函数计算子集准确率：为样本预测的标签集必须精确地匹配 y_true 中的相应标签集。
在 用户指南 中阅读更多内容。
- 参数
- y_true1d 数组类对象，或标签指示数组
真实（正确）标签。
- y_pred1d 数组类对象，或标签指示数组
预测标签，由分类器返回。
- normalize布尔值，可选（默认为 True）
如果为
False，返回正确分类的样本数。否则，返回正确分类的样本比例。- sample_weight1d 数组类对象，可选
样本权重。
0.7.0 版本新增。
- 返回
- score标量 dask 数组
如果
normalize == True，返回正确分类的样本比例（浮点数），否则返回正确分类的样本数（整数）。当
normalize == True时，最佳性能为 1；当normalize == False时，最佳性能为样本数。
注意
在二分类和多分类中，此函数等于
jaccard_similarity_score函数。示例
>>> import dask.array as da >>> import numpy as np >>> from dask_ml.metrics import accuracy_score >>> y_pred = da.from_array(np.array([0, 2, 1, 3]), chunks=2) >>> y_true = da.from_array(np.array([0, 1, 2, 3]), chunks=2) >>> accuracy_score(y_true, y_pred) dask.array<mean_agg-aggregate, shape=(), dtype=float64, chunksize=()> >>> _.compute() 0.5 >>> accuracy_score(y_true, y_pred, normalize=False).compute() 2
在具有二元标签指示的多标签情况下
>>> accuracy_score(np.array([[0, 1], [1, 1]]), np.ones((2, 2))) 0.5