matthews_corrcoef#
- sklearn.metrics.matthews_corrcoef(y_true, y_pred, *, sample_weight=None)[Quelle]#
Berechne den Matthews-Korrelationskoeffizienten (MCC).
Der Matthews-Korrelationskoeffizient wird im maschinellen Lernen als Maß für die Qualität von binären und multiklassifizierten Klassifizierungen verwendet. Er berücksichtigt wahre und falsche Positive und Negative und wird im Allgemeinen als ausgewogenes Maß angesehen, das auch dann verwendet werden kann, wenn die Klassen sehr unterschiedlich groß sind. Der MCC ist im Wesentlichen ein Korrelationskoeffizientenwert zwischen -1 und +1. Ein Koeffizient von +1 repräsentiert eine perfekte Vorhersage, 0 eine durchschnittliche zufällige Vorhersage und -1 eine inverse Vorhersage. Die Statistik ist auch als Phi-Koeffizient bekannt. [Quelle: Wikipedia]
Binäre und multiklassifizierte Labels werden unterstützt. Nur im binären Fall bezieht sich dies auf Informationen über wahre und falsche Positive und Negative. Siehe Referenzen unten.
Lesen Sie mehr im Benutzerhandbuch.
- Parameter:
- y_truearray-ähnlich mit Form (n_samples,)
Wahrheitsgetreue (korrekte) Zielwerte.
- y_predarray-ähnlich mit Form (n_samples,)
Geschätzte Zielwerte, wie sie von einem Klassifikator zurückgegeben werden.
- sample_weightarray-like der Form (n_samples,), Standardwert=None
Stichprobengewichte.
Hinzugefügt in Version 0.18.
- Gibt zurück:
- mccfloat
Der Matthews-Korrelationskoeffizient (+1 repräsentiert eine perfekte Vorhersage, 0 eine durchschnittliche zufällige Vorhersage und -1 eine inverse Vorhersage).
Referenzen
Beispiele
>>> from sklearn.metrics import matthews_corrcoef >>> y_true = [+1, +1, +1, -1] >>> y_pred = [+1, -1, +1, +1] >>> matthews_corrcoef(y_true, y_pred) -0.33