MCDMMulti-label Metric
Потери Хэмминга
Потери Хэмминга (Hamming loss) измеряют долю неверно предсказанных меток в многоклассовой классификации. Они подсчитывают количество ошибочных меток, деленное на общее количество меток, предоставляя простую метрику для задач с множеством меток.
Читать метод полностью
Только для участников
ВойтиВойдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Карта метода
Окружение родственных методов — выберите узел, чтобы перейти к нему.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Hamming Loss (Multi-label Classification). ScholarGate. https://scholargate.app/ru/model-evaluation/hamming-loss
Какой метод?
Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.
- Индекс ЖаккараОценка моделей↔ сравнить
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →