sklearn.metrics.balanced_accuracy_score

sklearn.metrics.balanced_accuracy_score()

Calcula la precisión balanceada.

La precisión balanceada en los problemas de clasificación binaria y multiclase para tratar con conjuntos de datos desequilibrados. Esta definida como el promedio de exhaustividad obtenido en cada clase.

El mejor valor es 1 y el peor valor es 0 cuando adjusted=False.

Más información en el Manual de usuario.

Nuevo en la versión 0.20.

Parámetros

y_truearray-like 1d

Valores objetivo de verdad fundamental (correctos).

y_predarray-like 1d

Objetivos estimados devueltos por un clasificador.

sample_weightarray-like de forma (n_samples,), default=None

Ponderados de muestras.

adjustedbooleano, default=False

Cuando es verdadero, el resultado se ajusta para el azar, de manera que el rendimiento aleatorio marcaría 0, y el rendimiento perfecto marcaría 1.

Devuelve

balanced_accuracyflotante

Ver también

recall_score, roc_auc_score

Notas

Algunas publicaciones promueven definiciones alternativas de precisión balanceada. Nuestra definición es equivalente a accuracy_score con ponderados de muestras balanceados por clase, y comparte propiedades deseables con el caso binario. Ver el Manual de Usuario.

Referencias

1

Brodersen, K.H. ; Ong, C.S.; Stephan, K.E.; Buhmann, J.M. (2010) The balanced accuracy and its posterior distribution. Proceedings of the 20th International Conference on Pattern Recognition, 3121-24.

2

John. D. Kelleher, Brian Mac Namee, Aoife D’Arcy, (2015). Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, Worked Examples, and Case Studies.

Ejemplos

>>> from sklearn.metrics import balanced_accuracy_score
>>> y_true = [0, 1, 0, 0, 1, 0]
>>> y_pred = [0, 1, 0, 0, 0, 1]
>>> balanced_accuracy_score(y_true, y_pred)
0.625