MCDMMulti-label Metric
زیان همینگ (Hamming Loss)
زیان همینگ، کسری از برچسبهایی را که در طبقهبندی چندبرچسبی به اشتباه پیشبینی شدهاند، اندازهگیری میکند. این معیار تعداد اشتباهات برچسب را بر تعداد کل برچسبها تقسیم میکند و معیاری ساده برای مسائل چندبرچسبی ارائه میدهد.
مطالعهٔ کامل روش
ویژهٔ اعضا
ورودبرای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- Schapire, R. E., & Singer, Y. (2000). BoosTexter: A boosting-based system for text categorization. Machine Learning, 39(2-3), 135-168. DOI: 10.1023/A:1007649029923 ↗
- Tsoumakas, G., & Katakis, I. (2007). Multi-label classification: An overview. International Journal of Data Warehousing and Mining, 3(3), 1-13. DOI: 10.4018/jdwm.2007070101 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Hamming Loss (Multi-label Classification). ScholarGate. https://scholargate.app/fa/model-evaluation/hamming-loss
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- شاخص ژاکاردارزیابی مدل↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →