1
Amy 原创整理｜资料核验：2026-11-04
scikit-learn的jaccard_score依据标签集合的交集大小除以并集大小衡量重合程度。用于多标签任务时，先选清楚要怎样汇总，再比较分数。
教学示例：某张图片真实标签是{猫,室内}，预测标签是{猫,沙发}。交集只有猫，并集为猫、室内、沙发，因此该样本的Jaccard为1/3，而不是按所有候选标签统计的准确率。这是自拟标签例子，不是模型实测结果。
官方接口默认average='binary'，面向二分类指定正类；多标签任务若要逐个样本计算再取平均，应明确选average='samples'。micro会汇总总体计数，macro则先按标签算分再等权平均，不能把它们的结果混为同一统计口径。
Amy建议：报告旁同时写明average及空标签样本如何处理。真实和预测都没有标签时，并集为空，分数需要约定；该接口默认会给0并发出警告，不应默默把这种情况理解成满分。
官方来源：
https://scikit-learn.org/stable/modules/generated/sklearn.metrics.jaccard_score.html