ClassificationScorer 类

准确度计分器。

继承

AbstractScorer

ClassificationScorer

构造函数

ClassificationScorer(*args: Any, metric_name: str = 'accuracy', task: str = 'classification', **kwargs: Any)

方法

calculate_lift	计算错误率的相对改善程度。 根据错误率（而非准确性）计算提升意味着对具有高级别信息内容/高分数的列进行提升的转换将被视为更重要的操作。 示例：从 0.95 -> 0.96 移动一些列的转换将比从 0.6 -> 0.65 移动一些列的转换具有更高的提升
is_experiment_better_than_baseline	替代它以对两个试验输出进行比较。
score	计算估算器的性能。

calculate_lift

计算错误率的相对改善程度。

根据错误率（而非准确性）计算提升意味着对具有高级别信息内容/高分数的列进行提升的转换将被视为更重要的操作。 示例：从 0.95 -> 0.96 移动一些列的转换将比从 0.6 -> 0.65 移动一些列的转换具有更高的提升

calculate_lift(baseline_score: float, experiment_score: float) -> float

参数

baseline_score

必需

基线分数。

experiment_score

必需

试验分数。

返回

错误率的相对改善程度

is_experiment_better_than_baseline

替代它以对两个试验输出进行比较。

is_experiment_better_than_baseline(baseline_score: float, experiment_score: float, epsilon: float, scale_epsilon: bool = True, **kwargs: Any) -> bool

参数

baseline_score

必需

基线分数。

experiment_score

必需

试验分数。

epsilon

必需

被视为增益/损失的最小增量。

scale_epsilon

默认值: True

是否按照与样本大小成反比的标准对 epsilon 进行缩放。

kwargs

必需

此计分器的关键字参数。

返回

试验分数是否比基线更好。

score

计算估算器的性能。

score(estimator: sklearn.base.BaseEstimator, valid_features: numpy.ndarray, y_actual: numpy.ndarray) -> float

参数

estimator

必需

valid_features

必需

y_actual

必需