模型评估、选择与验证——损失函数

0-1损失函数

• 模型原型

sklearn.metrics.zero_one_loss(y_true, y_pred, normalize=True, sample_weight=None)

参数

• y_true :样本集中每个样本对应的真实值
• y_pred :学习器对样本集中每个样本的预测的预测值
• normalize
  
  • True:返回分类样本的比例
  • False:返回分类样本的数量
• sample_weight : 样本权重，默认为1

返回值

• 0-1损失函数值

示例

from sklearn.metrics import zero_one_loss

y_true=[1,1,1,1,1,0,0,0,0,0]
y_pred=[0,0,0,1,1,1,1,1,0,0]
print('zero_one_loss<fraction>:',zero_one_loss(y_true,y_pred,normalize=True))
print('zero_one_loss<num>:',zero_one_loss(y_true,y_pred,normalize=False))

对数损失函数

模型原型

sklearn.metrics.log_loss(y_true, y_pred, eps=1e-15, normalize=True, sample_weight=None, labels=None)
参数

• y_true :样本集中每个样本对应的真实值
• y_pred :学习器对样本集中每个样本的预测的预测值
• eps:对数损失值
• normalize
  
  • True:返回分类样本的比例
  • False:返回分类样本的数量
• sample_weight : 样本权重，默认为1

返回值

• 0-1损失函数值

示例

from sklearn.metrics import log_loss

y_true=[1,1,1,0,0,0]
y_pred=[
    [0.1,0.9],
    [0.2,0.8],
    [0.3,0.7],
    [0.7,0.3],
    [0.8,0.2],
    [0.9,0.1]
]
print('log_loss<average>:',log_loss(y_true,y_pred,normalize=True))
print('log_loss,total.:',log_loss(y_true,y_pred,normalize=False))