sklearn.metrics.zero_one_loss?
sklearn.metrics.zero_one_loss(y_true, y_pred, *, normalize=True, sample_weight=None)
零一分類損失。
如果標準化為True，則返回錯誤分類的分數（float），否則返回錯誤分類的數目（int）。最佳性能為0。
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。 |
| normalize | bool, optional (default=True) 如果為False，則返回錯誤分類的數量。否則，返回錯誤分類的分數。 |
| sample_weight | array-like of shape (n_samples,), default=None 樣本權重。 |
| 返回值 | 說明 |
|---|---|
| loss | float or int, 如果normalize == True，則返回錯誤分類的分數（浮點數），否則返回錯誤分類的數目（整數）。 |
另見：
注
在多標簽分類中，zero_one_loss函數對應于子集零一損失：對于每個樣本，必須正確預測整個標簽集合，否則該樣本的損失等于一。
示例
>>> from sklearn.metrics import zero_one_loss
>>> y_pred = [1, 2, 3, 4]
>>> y_true = [2, 2, 3, 4]
>>> zero_one_loss(y_true, y_pred)
0.25
>>> zero_one_loss(y_true, y_pred, normalize=False)
1
在帶有二進制標簽指示符的多標簽情況下：
>>> import numpy as np
>>> zero_one_loss(np.array([[0, 1], [1, 1]]), np.ones((2, 2)))
0.5
