我有兩個數組（y_true 和 y_pred），都由相同長度的 0 和 1 組成。我想要一種更有效/更快的方法來計算 y_pred == y_true 的次數以及 y_pred == 1 的次數。我對計算匹配的 0 不感興趣?，F在，我的函數看起來像這樣使用 for 循環：from sklearn.metrics.scorer import make_scorer# Make a custom metric functiondef my_custom_accuracy(y_true, y_pred): # Bring in the arrays good_matches = 0 # Set counter to 0 for num, i in enumerate(y_pred): # for each y_pred in array... if i == y_true[num] & i == 1: # if y_pred == y_true AND y_pred == 1... good_matches += 1 # count it as a good match return float(good_matches / sum(y_true)) # return good matches as a % of all the 1's in y_true....它可以工作，但是 for 循環很慢而且效率不高。我希望利用這樣的東西：# Make a custom metric functiondef my_custom_accuracy(y_true, y_pred): return float(sum(y_pred == y_true)) / sum(y_true)...簡單，但我不知道如何添加“& y_pred == 1”部分。有任何想法嗎？謝謝！
2 回答
躍然一笑
TA貢獻1826條經驗 獲得超6個贊
如果數組還不是布爾值，請將它們設為布爾值。這可以通過視圖廉價地完成，或者更簡單地通過astype：
y_pred = y_pred.astype(bool) y_true = y_true.astype(bool)
如果數組已經是布爾值，或者它們真的永遠不會包含零和一，則可以省略此步驟。
現在good_matches只是
good_matches = np.sum(y_pred & y_true)
要了解為什么會這樣，請注意，除了明顯包含 之外y_pred == y_true，表達式只有在為真時才能y_pred為真，因此它根據運算符的定義自動暗示y_pref == 1and 。y_true == 1&
因此，您的最終結果是
np.sum(y_pred & y_true) / np.sum(y_true)
這也可以寫成
np.count_nonzero(y_pred & y_true) / np.count_nonzero(y_true)
一只斗牛犬
TA貢獻1784條經驗 獲得超2個贊
您可以使用列表推導來檢查列表，同時過濾掉 y_pred == 0，然后通過將匹配項除以比較列表的長度來獲得準確性。
compare = [p == t for p, t in zip(y_pred, y_true) if p == 1]
accuracy = compare.count(True) / len(compare)
或者對于使用 numpy 的東西：
mask = np.where(y_true == y_pred)
matches = y_pred[mask]
accuracy = np.sum(matches) / len(matches)
添加回答
舉報
0/150
提交
取消