cohen’s kappa是衡量分类一致性（排除随机因素）的指标，计算公式为κ=(p₀−pₑ)/(1−pₑ)，取值范围[-1,1]，0表示纯随机一致，1表示完全一致；通过sklearn.metrics.cohen_kappa_score(y_true, y_pred, weights=none)调用，需确保标签长度一致、类型兼容，并注意其对类别不平衡敏感。
Scikit-learn 本身不提供直接计算 Cohen’s Kappa 的独立函数，但 cohen_kappa_score 确实存在——它藏在 sklearn.metrics 里，不是模型 .score() 方法的一部分，这点常被误以为“没这个功能”。
怎么调用 cohen_kappa_score？
它是个纯指标函数，只认两个一维数组：真实标签和预测标签，不依赖模型对象。常见错误是试图从 model.score() 或 classification_report 里“找”Kappa——它们默认不输出这个值。
-
y_true和y_pred必须长度一致，且元素类型兼容（比如都是 int 或 str） - 支持多分类，但默认按“quadratic”加权方式计算；如需无加权的原始 Kappa，显式传
weights=None - 若类别顺序混乱（比如
y_true有 ['A','B','C']，y_pred是 ['C','A','B']），函数仍能算，但建议统一用labels=参数指定顺序，避免隐式排序引发歧义
和 classification_report 一起用时要注意什么？
classification_report 默认只输出 precision/recall/f1/support，Kappa 不在其中。想一并查看，得单独调用 cohen_kappa_score 并手动拼接结果。
python-script-generator
下载
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
- 别把
cohen_kappa_score和f1_score混用参数——后者支持average，前者只认weights和sample_weight - 如果数据含大量类别但某些类样本极少，Kappa 对不平衡敏感；此时可加
sample_weight调整，但需谨慎——权重会影响 Kappa 的解释性 - 示例：
from sklearn.metrics import cohen_kappa_score<br>kappa = cohen_kappa_score(y_true, y_pred, weights='quadratic')
为什么有时结果是负数或接近 0？
Kappa 值范围是 [-1, 1]，0 表示分类器和随机猜测无差别，负值说明比随机还差。这不是 bug，而是指标设计使然——它扣除偶然一致率后的校正结果。
- 常见诱因：类别极度不平衡 + 模型偏向预测多数类，导致实际一致率略高于偶然一致率，但差值极小 → Kappa ≈ 0
- 另一情况：模型系统性错判（比如总把 A 预测成 B，B 预测成 C），可能拉低 Kappa 到负区间
- 别只看单个 Kappa 值；配合混淆矩阵看具体错判模式，否则容易误判模型失效
Kappa 对标签编码方式和类别分布很敏感，尤其在多分类、小样本或类别偏斜场景下，数值波动可能比准确率更大——用之前先确认你的问题是否真需要它，而不是因为“别人用了”。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
