sklearn.metrics.jaccard_score?
sklearn.metrics.jaccard_score(y_true, y_pred, *, labels=None, pos_label=1, average='binary', sample_weight=None)
雅卡德相似系數得分
Jaccard索引[1]或Jaccard相似系數，定義為交集的大小除以兩個標簽集的并集大小，用于將樣本的預測標簽集與y_true中的相應標簽集進行比較 。
在用戶指南中閱讀更多內容。
| 參數 | 說明 |
|---|---|
| y_true | 1d array-like, or label indicator array / sparse matrix 真實標簽。 |
| y_pred | 1d array-like, or label indicator array / sparse matrix 預測標簽，由分類器返回。 |
| labels | list, optional 當average！='binary'時要包括的一組標簽，如果均值是None，則是標簽的順序。可以排除數據中存在的標簽，例如，以忽略多數否定類的方式計算多類平均值，而數據中不存在的標簽將導致宏平均值中的0成分。對于多標簽目標，標簽是列索引。 默認情況下，y_true和y_pred中的所有標簽均按排序順序使用。 |
| pos_label | str or int, 1 by default 如果average ='binary'且數據為二進制的報告類。如果數據是多類或多標簽的，則將被忽略；設置標簽= [pos_label]和average！='binary'將僅報告該標簽的分數。 |
| average | string, [None|‘binary’ (default)| ‘micro’| ‘macro’| ‘samples’|‘weighted’] 如果為None，則返回每個類的分數。否則，將根據數據的平均表現確定類型： - 'binary':僅報告由pos_label指定的類的結果。僅當目標（y_ {true，pred}）為二進制時才適用。 - 'micro':通過計算真正例、假負例和假正例的總數來全局計算指標。 - 'macro':計算每個標簽的度量，并找到其未加權平均值。沒有考慮標簽不平衡。 - 'weighted':計算每個標簽的度量，并找到它們的平均值，然后按支撐度（每個標簽的真實實例數）加權。 這會更改‘macro’以解決標簽不平衡的問題。 - 'samples':計算每個實例的指標，并找到它們的平均值（僅對多標簽分類有意義）。 |
| sample_weight | array-like of shape (n_samples,), default=None 樣本權重。 |
| 返回值 | 說明 |
|---|---|
| score | float (if average is not None) or array of floats, shape = [n_unique_labels] |
另見：
accuracy_score,f_score,multilabel_confusion_matrix
注
如果某些樣本或類沒有正例，則jaccard_score度量可能不佳。 如果沒有真實標簽或預測標簽，則Jaccard是未定義的，我們的實現將返回0分并帶有警告。
參考
1 Wikipedia entry for the Jaccard index
示例
>>> 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]])
在二進制情況下：
>>> jaccard_score(y_true[0], y_pred[0])
0.6666...
在多標簽的情況下：
>>> jaccard_score(y_true, y_pred, average='samples')
0.5833...
>>> jaccard_score(y_true, y_pred, average='macro')
0.6666...
>>> jaccard_score(y_true, y_pred, average=None)
array([0.5, 0.5, 1. ])
在多類的情況下：
>>> 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...])
