balanced_accuracy_score

sklearn.metrics.balanced_accuracy_score(y_true, y_pred, *, sample_weight=None, adjusted=False)

Berechnet die ausgewogene Genauigkeit.

Die ausgewogene Genauigkeit bei binären und multiklassen-Klassifikationsproblemen zur Behandlung unausgeglichener Datensätze. Sie ist definiert als der Durchschnitt des für jede Klasse erzielten Recall-Werts.

Der beste Wert ist 1 und der schlechteste Wert ist 0, wenn adjusted=False.

Lesen Sie mehr im Benutzerhandbuch.

Hinzugefügt in Version 0.20.

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.

adjustedbool, Standardwert=False

Wenn true, wird das Ergebnis zufällig angepasst, sodass zufällige Leistung 0 ergibt, während perfekte Leistung bei einem Wert von 1 bleibt.

Gibt zurück:

balanced_accuracyfloat

Ausgewogener Genauigkeitswert.

Siehe auch

average_precision_score

Berechnet die durchschnittliche Präzision (AP) aus Vorhersageergebnissen.

precision_score

Berechnet den Präzisionswert.

recall_score

Berechnet den Recall-Wert.

roc_auc_score

Berechne die Fläche unter der Receiver Operating Characteristic Curve (ROC AUC) aus den Vorhersagescores.

Anmerkungen

Einige Literaturstellen fördern alternative Definitionen der ausgewogenen Genauigkeit. Unsere Definition ist äquivalent zur accuracy_score mit klassen-ausgewogenen Stichproben-Gewichten und teilt wünschenswerte Eigenschaften mit dem binären Fall. Siehe das Benutzerhandbuch.

Referenzen

[1]

Brodersen, K.H.; Ong, C.S.; Stephan, K.E.; Buhmann, J.M. (2010). The balanced accuracy and its posterior distribution. Proceedings of the 20th International Conference on Pattern Recognition, 3121-24.

[2]

John. D. Kelleher, Brian Mac Namee, Aoife D’Arcy, (2015). Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, Worked Examples, and Case Studies.

Beispiele

>>> from sklearn.metrics import balanced_accuracy_score
>>> y_true = [0, 1, 0, 0, 1, 0]
>>> y_pred = [0, 1, 0, 0, 0, 1]
>>> balanced_accuracy_score(y_true, y_pred)
0.625