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))