馬修斯相關係數#

sklearn.metrics.matthews_corrcoef(y_true, y_pred, *, sample_weight=None)[原始碼]#

計算馬修斯相關係數 (MCC)。

馬修斯相關係數在機器學習中用作衡量二元和多類分類品質的指標。它考慮了真陽性、假陽性和真陰性、假陰性，通常被認為是一種平衡的度量，即使類別大小差異很大也可以使用。 MCC 本質上是介於 -1 和 +1 之間的相關係數值。係數 +1 代表完美預測，0 代表平均隨機預測，-1 代表反向預測。該統計數據也稱為 phi 係數。[來源：維基百科]

支援二元和多類標籤。只有在二元情況下，它才與有關真陽性、假陽性和真陰性、假陰性的資訊相關。請參閱下面的參考資料。

在 使用者指南 中閱讀更多內容。

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

由分類器傳回的估計目標。

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

樣本權重。

在版本 0.18 中新增。

傳回值:
mcc浮點數

馬修斯相關係數 (+1 代表完美預測，0 代表平均隨機預測，-1 代表反向預測)。

參考文獻

範例

>>> from sklearn.metrics import matthews_corrcoef
>>> y_true = [+1, +1, +1, -1]
>>> y_pred = [+1, -1, +1, +1]
>>> matthews_corrcoef(y_true, y_pred)
np.float64(-0.33...)