Scikit learn scikit学习中的覆盖率错误度量说明

我不理解scikit learn中的覆盖率错误是如何计算的，可在sklearn.metrics模块中找到。文件中的说明如下：

coverage_error函数计算最终预测中必须包含的标签的平均数量，以便预测所有真实标签

例如：

import numpy as np
from sklearn.metrics import coverage_error
y_true = np.array([[1, 0, 0], [0, 1, 1]])
y_score = np.array([[1, 0, 0], [0, 1, 1]])
print coverage_error(y_true, y_score)
1.5

根据我的理解，这里我们需要包括预测中的3个标签，以使y_中的所有标签都为真。所以覆盖率误差=3/2，即1.5。但我无法理解在以下情况下会发生什么：

>>> y_score = np.array([[1, 0, 0], [0, 0, 1]])
>>> print coverage_error(y_true, y_score)
2.0
>>> y_score = np.array([[1, 0, 1], [0, 1, 1]])
>>> print coverage_error(y_true, y_score)
2.0

为什么这两种情况下的错误是相同的？

您可以查看

与

您需要注意的一件事是如何计算排名，并在排名中打破联系

y_得分

具体而言，第一种情况：

In [4]: y_true
Out[4]:
array([[1, 0, 0],
       [0, 1, 1]])

In [5]: y_score
Out[5]:
array([[1, 0, 0],
       [0, 0, 1]])

对于第一个样本，第一个真标签为真，第一个分数的排名为1

对于2ed样本，2ed和3rd true标签为true，得分等级分别为3和1，因此最大等级为3

平均值为（3+1）/2=2

第二种情况：

In [7]: y_score
Out[7]:
array([[1, 0, 1],
       [0, 1, 1]])

对于第一个样本，第一个真标签为真，第一个分数的排名为2

对于2ed样本，2ed和3rd true标签为true，得分等级分别为2和2，因此最大等级为2

平均值为（2+2）/2=2

编辑：

排名在

y\u得分的一个样本范围内

。该公式表示标签的排名是分数大于或等于其分数的标签（包括标签本身）的数量

这就像按照

y_分数对标签进行排序一样，分数最大的标签排名1，第二大的标签排名2，第三大的标签排名3，等等。但是如果第二大和第三大标签的分数相同，它们都排名3

请注意，
y_分数
为

目标分数可以是正类的概率估计、置信值或二元决策

我们的目标是预测所有真实标签，因此我们需要包括所有分数高于或等于真实标签的标签。
您可以查看


与

您需要注意的一件事是如何计算排名，并在排名中打破联系
y_得分

具体而言，第一种情况：

In [4]: y_true
Out[4]:
array([[1, 0, 0],
       [0, 1, 1]])

In [5]: y_score
Out[5]:
array([[1, 0, 0],
       [0, 0, 1]])

对于第一个样本，第一个真标签为真，第一个分数的排名为1
对于2ed样本，2ed和3rd true标签为true，得分等级分别为3和1，因此最大等级为3
平均值为（3+1）/2=2
第二种情况：

In [7]: y_score
Out[7]:
array([[1, 0, 1],
       [0, 1, 1]])

对于第一个样本，第一个真标签为真，第一个分数的排名为2
对于2ed样本，2ed和3rd true标签为true，得分等级分别为2和2，因此最大等级为2
平均值为（2+2）/2=2
编辑：

排名在
y\u得分的一个样本范围内
。该公式表示标签的排名是分数大于或等于其分数的标签（包括标签本身）的数量

这就像按照
y_分数对标签进行排序一样，分数最大的标签排名1，第二大的标签排名2，第三大的标签排名3，等等。但是如果第二大和第三大标签的分数相同，它们都排名3

请注意，
y_分数
为

目标分数可以是正类的概率估计、置信值或二元决策

我们的目标是预测所有真实标签，因此我们需要包括所有分数高于或等于真实标签的标签。
您能解释排名部分是如何计算的吗？我无法从公式中理解它。谢谢。现在明白了。你能解释一下排名部分是如何计算的吗？我无法从公式中理解它。谢谢。现在我明白了。