平衡準確度分數#

sklearn.metrics.balanced_accuracy_score(y_true, y_pred, *, sample_weight=None, adjusted=False)[來源]#

計算平衡準確度。

在二元和多類別分類問題中，平衡準確度用於處理不平衡資料集。它被定義為每個類別所獲得的召回率的平均值。

當 adjusted=False 時，最佳值為 1，最差值為 0。

請參閱 使用者指南 以了解更多資訊。

於 0.20 版本新增。

參數:
y_true形狀為 (n_samples,) 的類陣列

真實（正確）目標值。

y_pred形狀為 (n_samples,) 的類陣列

分類器傳回的估計目標。

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

樣本權重。

adjustedbool，預設為 False

如果為 true，則結果會針對機率進行調整，因此隨機效能會得分 0，同時保持完美效能得分為 1。

傳回值:
balanced_accuracyfloat

平衡準確度分數。

另請參閱

average_precision_score

從預測分數計算平均精確度 (AP)。

precision_score

計算精確度分數。

recall_score

計算召回率分數。

roc_auc_score

從預測分數計算接收者操作特徵曲線下方面積 (ROC AUC)。

注意事項

有些文獻提倡平衡準確度的替代定義。我們的定義等同於使用類別平衡樣本權重的 accuracy_score，並且與二元案例共享理想的屬性。請參閱使用者指南。

參考文獻

[1]

Brodersen, K.H.; Ong, C.S.; Stephan, K.E.; Buhmann, J.M. (2010). The balanced accuracy and its posterior distribution. Proceedings of the 20th International Conference on Pattern Recognition, 3121-24.

範例

>>> from sklearn.metrics import balanced_accuracy_score
>>> y_true = [0, 1, 0, 0, 1, 0]
>>> y_pred = [0, 1, 0, 0, 0, 1]
>>> balanced_accuracy_score(y_true, y_pred)
np.float64(0.625)