在Python中使用Logistic回归的预测向量的准确度得分

Question

我正在使用Logistic回归方法进行多类别分类。基本上我知道，如果我用accuracy_score（）函数（例如，从sklearn库）将计算我不同值的准确性，独特的值是这样的：

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

但我想要得到的accuracy_score_new（）对于每个标签（来自predict_proba）顶部Logistic回归预测的矢量函数，并计算真实的标签是否是在此区间是这样的：

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 

在这个例子中的accuracy_score_new将等于1，因为分类预测该标签在间隔中。这个功能如何完成？

Answer 1

准确度只是（匹配值/总值）。

所以你的情况就会是这样的：

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)) 

Answer 2

是的，你可以使用sklearn中的make_scorer函数来做到这一点。这个想法是，你定义你的自定义函数，假设它获得了两个参数y_true和y_pred。如果需要，您还可以添加任何其他参数。

下面是一个例子：Custom scoring function

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

This answer可能有一定的帮助了。