label_ranking_loss

sklearn.metrics.label_ranking_loss(y_true, y_score, *, sample_weight=None)

计算排序损失度量。

计算给定 y_score 的标签对中错误排序的平均数量，按标签集的大小和标签集中不存在的标签数量加权。

这类似于错误集大小，但按相关和不相关标签的数量加权。最佳性能是实现零排序损失。

更多信息请参阅 用户指南 。

Added in version 0.17: 函数 label_ranking_loss

Parameters:

y_true{array-like, sparse matrix}，形状为 (n_samples, n_labels)

二进制指示格式的真实二进制标签。

y_scorearray-like，形状为 (n_samples, n_labels)

目标分数，可以是正类的概率估计、置信值或非阈值决策度量（如某些分类器返回的“decision_function”）。

sample_weightarray-like，形状为 (n_samples,)，默认=None

样本权重。

Returns:

lossfloat

给定 y_score 的标签对中错误排序的平均数量，按标签集的大小和标签集中不存在的标签数量加权。

References

[1]

Tsoumakas, G., Katakis, I., & Vlahavas, I. (2010). 挖掘多标签数据。在《数据挖掘和知识发现手册》（第667-685页）。Springer US。

Examples

>>> from sklearn.metrics import label_ranking_loss
>>> y_true = [[1, 0, 0], [0, 0, 1]]
>>> y_score = [[0.75, 0.5, 1], [1, 0.2, 0.1]]
>>> label_ranking_loss(y_true, y_score)
0.75...