如何获得Python中多类分类问题的相邻精度分数？

我想计算真实类和相邻类的平均命中率百分比，并在交叉验证中实现它

#Example of my classification problem (in total 9 classes)
y_true = [0, 0, 1, 5, 3, 4]
y_pred = [0, 1, 0, 8, 6, 5]

常规的准确度将导致16,67（第一个预测是唯一正确的）。 然而，我希望得到“相邻精度”，在这种情况下为66,67%（前三个预测与最后一个预测是“正确的”）

公式如下：

其中Pi表示分类为i类的样本总数，g表示类别总数（=此处为9），n表示样本总数

我已经看过了，但它并没有特别的帮助，因为我想将这个评分度量合并到交叉验证函数中

这是我当前的代码：

scoringX = {'acc': 'accuracy',
       'prec_macro': 'precision_macro',
       'rec_macro': 'recall_macro',
      'auc': 'roc_auc_ovr_weighted'}
cv_scores_rf = cross_validate(clf, X, y, cv=kcv, scoring = scoringX)
cv_predict_rf = cross_val_predict(clf, X, y, cv=kcv)

这是我理想的结局

scoringX = {'acc': 'accuracy',
       'prec_macro': 'precision_macro',
       'rec_macro': 'recall_macro',
       'auc': 'roc_auc_ovr_weighted',
       'adjacent_auc': make_scorer(custom_adjacent_accuracy_score)}
cv_scores_rf = cross_validate(clf, X, y, cv=kcv, scoring = scoringX)
cv_predict_rf = cross_val_predict(clf, X, y, cv=kcv)

提前谢谢

几个月前，我写了一篇关于如何用数学表示相邻精度的文章，经过一番思考后，我用了一个比你给出的公式简单一点的公式。（很遗憾，您必须跟随链接才能看到它；堆栈溢出不支持数学排版。）

如果我们将

y\u true

和

y\u pred

转换为numpy数组，则可以相当容易地实现此公式：

import numpy as np

y_true = np.array([0, 0, 1, 5, 3, 4])
y_pred = np.array([0, 1, 0, 8, 6, 5])

precise_accuracy = np.sum(y_pred == y_true) / len(y_pred)
adjacent_accuracy = np.sum(np.abs(y_pred - y_true) <= 1) / len(y_pred)

def custom_adjacent_accuracy_score(y_true, y_pred):
    y_true = np.array(y_true)
    y_pred = np.array(y_pred)
    return np.sum(np.abs(y_pred - y_true) <= 1) / len(y_pred)