多标记评价指标（一）——HammingLoss

最新推荐文章于 2024-04-14 11:26:36 发布

原创最新推荐文章于 2024-04-14 11:26:36 发布 · 1w 阅读

13 ·

CC 4.0 BY-SA版权

文章标签：

#多标记 #评价指标 #Python #算法

01-机器学习专栏收录该内容

4 篇文章

订阅专栏

本文介绍了Hamming Loss这一评价指标的概念及计算方法。Hamming Loss用于评估样本在单个标记上的误分类情况，即相关标记未出现在预测标记集合中或无关标记出现在预测标记集合中的比例。该指标有助于理解系统的整体性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

HammingLoss用于考察样本在单个标记上的误分类情况，即相关标记未出现在预测的标记集合中或无关标记出现在预测的标记集合中(预测结果中，错误数/总数)。该指标取值越小则系统性能越优。

#computing hammingLoss
def HammingLossClass(preLabels,test_targets):
    num_class,num_instance = np.mat(test_targets).shape
    temp = sum((preLabels != test_targets))
    miss_pairs = sum(temp)
    hammingLoss = miss_pairs/(num_class*num_instance)
    return hammingLoss

注：上述内容仅为个人学习过程中的笔记，如有不当的地方还望指正