sklearn之average_precision_score计算返回NaN

于 2024-04-09 17:56:15 发布
阅读量411 收藏 5
点赞数 12
文章标签： sklearn 人工智能 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_43558894/article/details/137558478
版权

问题描述

使用sklearn计算AP时，当label全是负标签时会返回NaN，例如：

>>> import numpy as np
>>> from sklearn.metrics import average_precision_score
>>> average_precision_score(np.array([0, 0, 0, 0, 0]), np.array([0.1, 0.1, 0.1, 0.1, 0.1]))

xxx/lib/python3.7/site-packages/sklearn/metrics/_ranking.py:864: RuntimeWarning: invalid value encountered in true_divide
  recall = tps / tps[-1]
nan

问题解决

参考average_precision_score does not return correct AP when all negative ground truth labels，这个Bug在scikit-learn==1.1.0之后的版本被修复，因此升级sklearn的版本即可。
具体方法：在Python (>= 3.8)下执行命令，安装新的版本

pip install scikit-learn==1.1.0

效果如下：

>>> import numpy as np
>>> from sklearn.metrics import average_precision_score
>>> average_precision_score(np.array([0, 0, 0, 0, 0]), np.array([0.1, 0.1, 0.1, 0.1, 0.1]))

xxx/lib/python3.8/site-packages/sklearn/metrics/_ranking.py:874: UserWarning: No positive class found in y_true, recall is set to one for all thresholds.
  warnings.warn(
-0.0

参考

1、average_precision_score does not return correct AP when all negative ground truth labels
2、FIX Fix recall in multilabel classification when true labels are all negative
3、scikit-learn 1.1.0

danelpeng
关注
  • 12
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
mean_average_precision:物体检测的平均平均精度
04-13
pip install mean_average_precision 安装最新版本 pip install --upgrade git+https://github.com/bes-dev/mean_average_precision.git 例子 import numpy as np from mean_average_precision import MetricBuilder...
average_precision_score()函数----计算过程与原理详解
西小庄村高伟 的博客
02-21 7043
average-precision算法过程与原理详解
sklearn中的模型评估
机器学习小白
04-28 5997
1. 介绍有三种不同的方法来评估一个模型的预测质量：estimator的score方法：sklearn中的estimator都具有一个score方法，它提供了一个缺省的评估法则来解决问题。Scoring参数：使用cross-validation的模型评估工具，依赖于内部的scoring策略。见下。Metric函数：metrics模块实现了一些函数，用来评估预测误差。见下。2. scoring参数模...
原理详解AUC、ROC和average precision (AP)以及sklearn实战
qq_43391414的博客
09-11 6352
文章目录前言TPR,FPRROCAOC鸣谢 前言 开门见山，想要知道AOC必须知道ROC，想要知道ROC必须知道TPR,FPR， 完。 TPR,FPR EXAMPLE 1: 我们有一个模型算法，它能够根据一系列的属性（比如身高、爱好、衣着、饮食习惯等）来预测一个人的性别是男还是女。 下面是这个模型算法对10个人的是男还是女的预测值和10个人的真实值。其中预测值为0.72表示72%的概率认为是男，28%的概率认为是女。 如果我们设定区分男女的阈值是0.5，那么预测值大于0.5的都是男性，小于0.5都是女性。
AUPRC Vs 平均查准率
Y
01-12 4900
很多场景下，会看到AUPRC与平均查准率的混用，即一般情况下，默认二者相同，即AUPRC = average precision 但实际上，二者是不同的， average precision只是AUPRC值的近似。注意python （sklean）和R都采用了这个方式 计算AUPRC # Compute Precision-Recall and plot curve precision, recall, thresholds = precision_recall_curve(y_test, clf.
AP和mAP 计算：sklearn.metrics.average_precision_score()
热门推荐
muli
09-28 1万+
函数： sklearn.metrics.average_precision_score(y_true, y_score, average=‘macro’, sample_weight=None) 根据预测得分计算平均精度（AP），此分数对应于精确召回曲线下的区域 y_true : array, shape = [n_samples] or [n_samples, n_classes] 真实标签：取...
【Python学习】 – sklearn学习 – 评估指标precision_score的参数说明
01-07
precision_score(y_true, y_pred, labels=None, pos_label=1, average=’binary’, sample_weight=None) 其中较为常用的参数解释如下： y_true：真实标签 y_pred：预测标签 average：评价值的平均值的计算方式。可以...
MA.rar_In Time_average_moving average java
09-14
Java Moving average. Moving Average is the one statistics used in time seris. here you have a source code
FaceAverage.rar_Average face_Average faces_PYHTON
07-15
face Average point detector
fft.rar_Grandaverage_fft_fft average_fft selectcondition
09-23
fft selectcondition 条件选择 fft grandaverage 总平均
【机器学习入门】(13) 实战：心脏病预测，补充: ROC曲线、精确率--召回率曲线，附python完整代码和数据集
博观而约取，厚积而薄发
11-21 1万+
各位同学好，经过前几章python机器学习的探索，想必大家对各种预测方法也有了一定的认识。今天我们来进行一次实战，心脏病病例预测，本文对一些基础方法就不进行详细解释，有疑问的同学可以看我前几篇机器学习文章。文末有完整代码和数据集。 1. 数据获取 首先导入数据处理所需要的库文件，再导入心脏病病例数据，使用 .info() 函数检查数据集中是否存在缺失值，本数据集不存在缺失值。 数据集获取：链接：百度网盘 请输入提取码提取码：a9wl import pandas as pd import matp.
【机器学习】sklearn.metrics各种指标
最新发布
qingteng2020的博客
10-26 340
F1 = 2 * (precision * recall) / (precision + recall) precision(查准率)=TP/(TP+FP) recall(查全率)=TP/(TP+FN)TPR = TP/(TP+FN) = recall(真正例率，敏感度) FPR = FP/(FP+TN)(假正例率，1-特异性),) ：查准率或者精度；precision(查准率)=TP/(TP+FP)recall(查全率)=TP/(TP+FN))：回归方差(反应自变量与因变量之间的相关程度)
prc曲线 sklearn_Python sklearn.metrics 模块，average_precision_score() 实例源码 - 编程字典...
weixin_29250403的博客
12-29 1777
def main():"""Train a classifier based on all the measures, to discriminate hypernymy from one other single relation."""# Get the argumentsargs = docopt("""Calculate the Average Precision (AP) at k fo...
二、样本不平衡+模型选择
weixin_44576834的博客
12-27 3527
样本不平衡的模型选择
sklearn.metrics import average_precision_score研究
leokingszx的博客
11-02 1600
众所周知，average_precision_score计算的是PR曲线下的面积，然而 import numpy as np from sklearn.metrics import average_precision_score y_true = np.array([0, 0, 1, 1,1,1]) y_scores = np.array([0, 0.5, 0.4, 1,1,1]) print (average_precision_score(y_true, y_scores) ) # print (
分类问题评价指标及用法
weixin_39263657的博客
09-28 396
一、简介 混淆矩阵（Confuse Matrix） 准确率（Accuracy） 精确率（Precision） 召回率（Recall） F1-Score P-R曲线（Precision-Recall Curve） ROC AUC 多分类 二、混淆矩阵 TP（True Positives）：实际为正例，预测为正例，预测对了。 FN（False Negatives）：实际为正例，预测为负例，预测错了。 TN（True Negatives）：实际为负例，预测为负例，预测对了。 FP（False Positiv
map(macro average precision) 与 F1score
zjm750617105的专栏
08-09 4847
之前写过关于准确率和召回率： http://blog.csdn.net/zjm750617105/article/details/54914184map， macro average precision， 宏平均准确率：其实就是 各个类别的准确率的平均值， 每个类别的准确率计算参考上面的链接。具体例子： [[ 7 28 0 0 0 0 0 93] [ 5 28
辨析sklearn.metrics里的average参数：binary/micro/macro/weighted/samples
Tobi
07-17 8030
前言 最近在搞一个多标签分类项目，涉及到metrics的选择，正好趁此搞清楚metrics里常用的几种average方式，官方api（见下图）里的解释感觉有的关键点还是不清晰，还是要自己摸索计算验证一番。说到这里不得不吐槽一下，网上一搜全是直接把API里的翻译成中文，然后就发一篇博文，请问有什么意义呢？还不如不发，浪费查找者的精力。所以决定写一篇具体的分析，加深自己及对此有疑问的同道的理解。 下面就开始分别介绍None、binary、micro、macro、weighted、samples这..
怎么安装from sklearn.metrics import average_precision_score
08-10
### 回答1： 你可以使用Python安装from sklearn.metrics import average_precision_score，可以使用以下命令：pip install sklearn.metrics。 ### 回答2： 要安装`sklearn`库中的`average_precision_score`函数，需要先安装`scikit-learn`库。 安装步骤如下： 1. 打开命令行终端。 2. 输入`pip install -U scikit-learn`并按下回车键，等待安装过程完成。 3. 如果已经安装过`scikit-learn`库，可以跳过步骤2。 安装完成后，可以在Python脚本中使用`from sklearn.metrics import average_precision_score`语句来导入`average_precision_score`函数。 ### 回答3： 要安装 `sklearn.metrics` 中的 `average_precision_score` 方法，需要先确保已经安装了 `scikit-learn`（通常称为 `sklearn`）库。可以使用以下命令安装 `scikit-learn` 库： ``` pip install scikit-learn ``` 安装完毕后，您可以通过在 Python 代码中导入 `from sklearn.metrics import average_precision_score` 来使用 `average_precision_score` 方法。请确保您已经在代码中引入了所需的库： ```python from sklearn.metrics import average_precision_score ``` 然后，您就可以在代码中使用 `average_precision_score` 方法来计算平均精确度得分了。例如： ```python y_true = [1, 0, 1, 1, 0] y_scores = [0.2, 0.8, 0.5, 0.9, 0.3] average_precision = average_precision_score(y_true, y_scores) print("平均精确度得分：", average_precision) ``` 这将输出： ``` 平均精确度得分： 0.8333333333333333 ``` 以上是安装和使用 `sklearn.metrics` 中的 `average_precision_score` 的简要说明。通过按照上述步骤进行操作，您将能够在您的项目中使用该方法进行平均精确度评估。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值