在 Python 中使用逻辑回归的预测向量的准确度得分答案

【问题标题】：Accuracy Score for a vector of predictions using Logistic Regression in Python在 Python 中使用逻辑回归的预测向量的准确度得分
【发布时间】：2018-02-09 06:05:34
【问题描述】：

我正在使用逻辑回归方法进行多类分类。基本上我知道，如果我使用 accuracy_score () 函数（例如，来自 sklearn 库），它会计算出不同值到不同值的准确度，如下所示：

y_pred = [0, 2, 1, 3]
y_true = [0, 1, 2, 3]
accuracy_score(y_true, y_pred)
0.5

但我想获取每个标签（来自 predict_proba）的顶级逻辑回归预测向量的 accuracy_score_new () 函数，并计算真实标签是否在此区间内，如下所示：

y_pred = [[0,1,3] [2,1,4], [1,2,5] [3,7,9]]
y_true = [0, 1, 2, 3]
accuracy_score_new(y_true, y_pred)
1

此示例中的 accuracy_score_new 将等于 1，因为分类器预测标签在区间内。这个功能怎么实现？

【问题讨论】：

您是想在任何 scikit 类中使用新函数，还是只想自己使用它来打印新的精度。如果是后者，那么您可以为它编写简单的 python 代码。只需遍历两个数组。

标签： python scikit-learn classification logistic-regression multiclass-classification

【解决方案1】：

是的，您可以使用 sklearn 中的 make_scorer 函数来做到这一点。这个想法是您定义您的自定义函数，假设它获取两个参数 y_true 和 y_pred。如果需要，您还可以添加任何其他参数。

这是一个例子：Custom scoring function

这是另一个例子：Using MSE and R2 score at the same time

This answer 也可能会有所帮助。

【讨论】：

【解决方案2】：

准确度只是（匹配值/总值）。

所以在你的情况下，它会是这样的：

def accuracy_score_new(y_pred, y_true):
    matched = 0
    for y_p, y_t in zip(y_pred, y_true):
        if y_t in y_p:
            matched = matched + 1

    return (matched / (float) len(y_true))

【讨论】：