hinge_loss#

sklearn.metrics.hinge_loss(y_true, pred_decision, *, labels=None, sample_weight=None)[原始碼]#

平均合頁損失 (非正規化)。

在二元分類的情形下，假設 y_true 中的標籤以 +1 和 -1 編碼，當預測錯誤時，margin = y_true * pred_decision 始終為負值（因為符號不一致），意味著 1 - margin 始終大於 1。因此，累積的 hinge 損失是分類器所犯錯誤數量的上限。

在多類別分類的情形下，該函數預期 y_true 中包含所有標籤，或者提供一個可選的 labels 參數，其中包含所有標籤。多標籤的 margin 是根據 Crammer-Singer 的方法計算的。與二元分類的情形一樣，累積的 hinge 損失是分類器所犯錯誤數量的上限。

請在使用者指南中閱讀更多資訊。

參數:
y_true形狀為 (n_samples,) 的類陣列

真實目標，由兩個值的整數組成。正標籤必須大於負標籤。

pred_decision形狀為 (n_samples,) 或 (n_samples, n_classes) 的類陣列

預測的決策，由 decision_function 輸出（浮點數）。

labels類陣列，預設為 None

包含問題的所有標籤。用於多類別 hinge 損失。

sample_weight形狀為 (n_samples,) 的類陣列，預設為 None

樣本權重。

回傳:
loss浮點數

平均 hinge 損失。

參考文獻

[2]

Koby Crammer, Yoram Singer. On the Algorithmic Implementation of Multiclass Kernel-based Vector Machines. Journal of Machine Learning Research 2, (2001), 265-292.

範例

>>> 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...)

在多類別分類的情形下

>>> 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...)