根据我所阅读的内容，Jaccard指数的计算公式是（交集/并集）。Jaccard指数公式

看起来在二元情况下，sklearn.metrics.accuracy_score应该等同于Jaccard指数。然而，当我使用这个函数时，我对得到的结果感到困惑。例如：

from sklearn import metricsy=np.array([0,0,0,0,1,1])y2=np.array([1,1,0,0,1,1])metrics.accuracy_score(y,y2)

这应该会得到一个Jaccard指数为4/(6+6-4)=0.5，对吗？然而，最后一行代码的结果是0.67，显然这是基于相似/总数的计算。我是否误解了Jaccard指数公式？

回答：

你的1维数组被视为6个样本，Jaccard指数的公式是针对每个样本的，如用户指南中的公式所示，而不是跨所有样本。（多类别和多标签的例子可能会帮助澄清这一点。）

在二元分类的情况下，预测的标签是互斥且详尽的，0或1；因此，对于正确的预测，交集的大小为1，否则为0，而并集的大小对于正确的预测为1，否则为2，因此每个样本的Jaccard指数要么是1要么是0。这然后在所有样本中取平均（”…计算Jaccard相似系数的平均值…”来自用户指南），这与准确率相同。