hinge_loss#

sklearn.metrics.hinge_loss(y_true, pred_decision, *, labels=None, sample_weight=None)#

平均铰链损失（非正则化）。

在二分类情况下，假设 y_true 中的标签编码为 +1 和 -1，当发生预测错误时， margin = y_true * pred_decision 总是负的（因为符号不一致），这意味着 1 - margin 总是大于 1。因此，累积的铰链损失是分类器所犯错误数量的上界。

在多分类情况下，该函数期望所有标签都包含在 y_true 中，或者提供一个包含所有标签的可选 labels 参数。多标签铰链损失根据 Crammer-Singer 的方法计算。与二分类情况一样，累积的铰链损失是分类器所犯错误数量的上界。

更多信息请参阅 用户指南 。

Parameters:
y_true类数组，形状为 (n_samples,)

真实目标，由两个值的整数组成。正标签必须大于负标签。

pred_decision类数组，形状为 (n_samples,) 或 (n_samples, n_classes)

预测决策，如 decision_function 的输出（浮点数）。

labels类数组，默认=None

包含所有标签。用于多分类铰链损失。

sample_weight类数组，形状为 (n_samples,)，默认=None

样本权重。

Returns:
lossfloat

平均铰链损失。

References

[2]

Koby Crammer, Yoram Singer. 关于多分类核向量机的算法实现。机器学习研究杂志 2, (2001), 265-292.

Examples

>>> from sklearn import svm
>>> from sklearn.metrics import hinge_loss
>>> X = [[0], [1]]
>>> y = [-1, 1]
>>> est = svm.LinearSVC(random_state=0)
>>> est.fit(X, y)
LinearSVC(random_state=0)
>>> pred_decision = est.decision_function([[-2], [3], [0.5]])
>>> pred_decision
array([-2.18...,  2.36...,  0.09...])
>>> hinge_loss([-1, 1, 1], pred_decision)
0.30...

在多分类情况下：

>>> import numpy as np
>>> X = np.array([[0], [1], [2], [3]])
>>> Y = np.array([0, 1, 2, 3])
>>> labels = np.array([0, 1, 2, 3])
>>> est = svm.LinearSVC()
>>> est.fit(X, Y)
LinearSVC()
>>> pred_decision = est.decision_function([[-1], [2], [3]])
>>> y_true = [0, 2, 3]
>>> hinge_loss(y_true, pred_decision, labels=labels)
0.56...
On this page
Show Source