sklearn.metrics.hinge_loss?
sklearn.metrics.hinge_loss(y_true, pred_decision, *, labels=None, sample_weight=None)
平均鉸鏈損耗（非常規）
在二元類情況下，假設y_true中的標簽用+1和-1編碼，則在發生預測錯誤時，margin = y_true * pred_decision始終為負（因為符號不同），這意味著1-margin始終大于1。 因此，累積的鉸鏈損耗是分類器所犯錯誤數量的上限。
在多類情況下，該函數期望所有標簽都包含在y_true中，或者提供一個包含所有標簽的可選標簽參數。 多標簽邊距是根據Crammer-Singer的方法計算的。 與二進制情況一樣，累積的鉸鏈損耗是分類器得出錯誤數量的上限。
在用戶指南中閱讀更多內容。
| 參數 | 說明 |
|---|---|
| y_true | array, shape = [n_samples] 真實目標，由兩個值的整數組成。 正標簽必須大于負標簽。 |
| pred_decision | array, shape = [n_samples] or [n_samples, n_classes] 預測決策，由Decision_function輸出（浮點數）。 |
| labels | array, optional, default None 包含問題的所有標簽。 用于多類鉸鏈損耗。 |
| sample_weight | array-like of shape (n_samples,), default=None 樣本權重。 |
| 返回值 | 說明 |
|---|---|
| loss | float |
參考
1 Wikipedia entry on the Hinge loss
2 Koby Crammer, Yoram Singer. On the Algorithmic Implementation of Multiclass Kernel-based Vector Machines. Journal of Machine Learning Research 2, (2001), 265-292
3 L1 AND L2 Regularization for Multiclass Hinge Loss Models by Robert C. Moore, John DeNero.
示例
>>> 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)
0.30...
在多類情況下：
>>> 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)
0.56...