sklearn.metrics.jaccard_similarity_score 和 sklearn.metrics.accuracy_score 之间的区别是什么？

1.我们什么时候使用 accuracy_score？

2.我们什么时候使用 jaccard？

3.我知道公式。有人能解释这些度量背后的算法吗？

4.我如何在我的数据框上计算 jaccard？

array([[1, 1, 1, 1, 2, 0, 1, 0], [2, 1, 1, 0, 1, 1, 0, 1]], dtype=int64)

谢谢

回答：

accuracy_score 非常直接，这是它成为常用选择的原因之一。它是正确分类样本的数量除以总数，所以在你的例子中：

from sklearn.metrics import jaccard_score, accuracy_scoreprint(a)array([[1, 1, 1, 1, 2, 0, 1, 0],       [2, 1, 1, 0, 1, 1, 0, 1]])accuracy_score(a[0,:], a[1,:])# 0.25

这与以下操作相同：

(a[0,:] == a[1,:]).sum()/a.shape[1]# 0.25

jaccard_score 特别适用于某些问题，例如对象检测。你可以通过查看Jaccard 指数来获得更好的理解，它也被称为交并比，测量两个样本集的重叠部分除以它们的并集（样本大小减去交集）。

请注意，sklearn.metrics.jaccard_similarity_score 已被弃用，你可能应该查看sklearn.metrics.jaccard_score。后者有几种平均模式，具体取决于你最感兴趣的内容。默认情况下是binary，但由于你处理的是多个标签，你应该更改它。

因此，根据你的应用，你会对其中一个更感兴趣。不过，如果你不确定，我建议你选择更简单的，即准确度得分。