傑卡德分數#
- sklearn.metrics.jaccard_score(y_true, y_pred, *, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn')[原始碼]#
傑卡德相似係數分數。
傑卡德指數 [1] 或傑卡德相似係數，定義為兩個標籤集合的交集大小除以聯集大小，用於比較樣本的預測標籤集合與
y_true中對應的標籤集合。對於
binary目標以外的支援，是將多類別和多標籤資料視為一組二元問題來處理，每個標籤一個問題。在二元情況下，設定average='binary'會回傳pos_label的 Jaccard 相似係數。如果average不是'binary'，則會忽略pos_label，並計算兩個類別的分數，然後取平均值或兩者都回傳（當average=None時）。同樣地，對於多類別和多標籤目標，所有labels的分數會根據average參數回傳或取平均值。使用labels來指定要計算分數的標籤集合。在 使用者指南 中閱讀更多資訊。
- 參數:
- y_true一維類陣列，或標籤指示器陣列/稀疏矩陣
真實（正確）標籤。
- y_pred一維類陣列，或標籤指示器陣列/稀疏矩陣
預測的標籤，由分類器回傳。
- labels形狀為 (n_classes,) 的類陣列，預設值為 None
當
average != 'binary'時要包含的標籤集合，以及當average is None時的順序。可以排除資料中存在的標籤，例如在多類別分類中排除「負類別」。可以包含資料中不存在的標籤，並且將「分配」0 個樣本。對於多標籤目標，標籤是欄索引。預設情況下，y_true和y_pred中的所有標籤都會以排序後的順序使用。- pos_label整數、浮點數、布林值或字串，預設值為 1
如果
average='binary'且資料為二元，則要報告的類別，否則會忽略此參數。對於多類別或多標籤目標，設定labels=[pos_label]和average != 'binary'以僅報告一個標籤的指標。- average{‘micro’、‘macro’、‘samples’、‘weighted’、‘binary’} 或 None，預設值為 ‘binary’
如果為
None，則會回傳每個類別的分數。否則，這會決定對資料執行的平均類型'binary':僅報告由
pos_label指定的類別的結果。這僅適用於目標 (y_{true,pred}) 為二元的情況。'micro':透過計算總計的真正例、假負例和假正例來全域計算指標。
'macro':計算每個標籤的指標，並找出它們的未加權平均值。這不考慮標籤不平衡。
'weighted':計算每個標籤的指標，並找出它們的平均值，並以支持度（每個標籤的真實實例數）加權。這會變更 'macro' 以考慮標籤不平衡。
'samples':計算每個實例的指標，並找出它們的平均值（僅對多標籤分類有意義）。
- sample_weight形狀為 (n_samples,) 的類陣列，預設值為 None
樣本權重。
- zero_division“warn”，{0.0, 1.0}，預設值為 “warn”
設定在零除法時要回傳的值，也就是說，當預測和標籤中都沒有負值時。如果設定為 “warn”，則行為如同 0，但也會發出警告。
在版本 0.24 中新增。
- 回傳:
- score浮點數或形狀為 (n_unique_labels,) 的 ndarray，資料類型為 np.float64
Jaccard 分數。當
average不是None時，會回傳單一純量值。
另請參閱
accuracy_score用於計算準確度分數的函式。
f1_score用於計算 F1 分數的函式。
multilabel_confusion_matrix用於計算每個類別或樣本的混淆矩陣的函式。
注意事項
如果某些樣本或類別沒有正值，
jaccard_score可能是一個不佳的指標。如果沒有真實或預測的標籤，Jaccard 未定義，我們的實作將回傳 0 分數並發出警告。參考文獻
[1]範例
>>> 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]])
在二元情況下
>>> jaccard_score(y_true[0], y_pred[0]) np.float64(0.6666...)
在 2D 比較情況下（例如，影像相似度）
>>> jaccard_score(y_true, y_pred, average="micro") np.float64(0.6)
在多標籤情況下
>>> 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. ])
在多類別情況下
>>> 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...])
