2

Jaccard Index

Unsolved
Fundamentals

Difficulty: 2 | Problem written by hemdan219@gmail.com

Educational Resource: https://deepai.org/machine-learning-glossary-and-terms/jaccard-index


Problem reported in interviews at

Amazon
Apple
Facebook
Google
Netflix

Given a list of true y values and predicted y values, calculate the Jaccard Index, which is a simple method to measure the performance of a model. This is also called the Jaccard Similarity Coefficient. A larger value corresponds to a better model (can you reason as to why based on the formula below?)

\(J(y,\hat{\underline{y}})={{|y \cap \hat{\underline{y}}|}\over {|y \cup \hat{\underline{y}}|}}={{|y \cap \hat{\underline{y}}|}\over {|y] + |\hat{\underline{y}}|-{|y \cap \hat{\underline{y}}|}}}\)

Returrn a float.

Sample Input:
<class 'list'>
target: [1, 1, 1, 1, 1, 0, 0, 0, 0, 0]
<class 'list'>
predicted: [1, 1, 1, 1, 1, 1, 1, 0, 0, 0]

Expected Output:
<class 'float'>
0.6666666666666666

Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat. Duis aute irure dolor in reprehenderit in voluptate velit esse cillum dolore eu fugiat nulla pariatur. Excepteur sint occaecat cupidatat non proident, sunt in culpa qui officia deserunt mollit anim id est laborum.

Fugit atque repudiandae assumenda praesentium magni distinctio ipsa, eum nobis exercitationem perferendis labore pariatur debitis eveniet voluptate, quidem illum explicabo illo nam doloribus quod eos numquam distinctio, veniam dolorum quidem sint provident pariatur nobis impedit recusandae explicabo? Eligendi quidem voluptatem sapiente commodi enim, ratione rem eaque reiciendis architecto, distinctio fugiat doloremque mollitia aliquam eligendi neque. Cumque repellat eos culpa modi, veritatis velit quisquam veniam culpa fuga, tenetur aliquid vero placeat eius, voluptatibus voluptas impedit omnis ut. Ducimus commodi possimus officia vitae magnam.

Veritatis ex aut expedita iste dolore placeat, velit cumque similique, totam officiis porro eaque doloremque illo culpa necessitatibus debitis nostrum, mollitia voluptatem odit assumenda provident soluta atque. Facere beatae quibusdam cumque, quia earum explicabo ab quo voluptatibus est nobis, esse sequi veritatis doloribus tempore animi voluptatum reprehenderit dolore. Beatae distinctio mollitia nulla aliquam vero quidem aliquid, enim tempora laudantium temporibus sint ullam voluptatibus odio excepturi voluptatum corrupti, voluptate eum quasi quod amet ratione tempore, amet nobis provident eveniet praesentium eum blanditiis? Alias at omnis sed rem quasi cumque vel vero animi id, adipisci officiis corporis reprehenderit?

Voluptas quasi sed deleniti odio voluptate reprehenderit, blanditiis sint magnam minima dolor fuga fugit inventore cum praesentium iusto. Distinctio cupiditate maiores sapiente expedita voluptates esse, hic distinctio veniam dolores sapiente velit, est minus minima velit eum quasi pariatur deleniti itaque quo, vitae fugit cupiditate earum alias ab fuga consectetur tempora commodi unde, voluptates debitis sapiente eos? Saepe consectetur deleniti doloremque minima repellat labore similique corporis, quo quia atque vel ab doloribus temporibus dolores saepe quod reprehenderit, adipisci at rerum vel quas corrupti, quasi nam similique aperiam sed obcaecati porro?

This is a premium feature.
To access this and other such features, click on upgrade below.

Ready.

Input Test Case

Please enter only one test case at a time
numpy has been already imported as np (import numpy as np)