metrics.classification_report函数

metrics.classification_report用来输出评价指标，其主要参数如下

参数名与对应用途如下

labels	分类报告中显示的类标签的索引列表
target_names	字符串列表，显示与labels对应的名称
sample_weight	数组样本权重。
digits	输出浮点值的位数．
output_dict:	如果为True，则返回一个字典格式的分类报告

设定目标值 y_true与估计值y_pred并代入metrics.classification_report函数

from sklearn.metrics import classification_report
y_true = [0,1,2,3,4,5,4,3,2,1]
y_pred = [0,2,2,3,4,5,4,3,2,1]
print(classification_report(y_true, y_pred))

 结果为

 

precision(精度) = 正确预测的个数(TP)/被预测正确的个数(TP+FP)

recall(召回率) = 正确预测的个数(TP)/预测个数(TP+FN)

f1-score = 2*精度*召回率/(精度+召回率)

support = 标签出现次数

accuracy：准确率，即正确预测样本量与总样本量的比值，9/10=0.9

macro avg：宏平均，表示所有类别对应指标的平均值，以recall为例

(1.0+0.5+1.0+1.0+1.0+1.0)/6=0.92

weight avg：带权重平均，表示类别样本占总样本的比重与对应指标的乘积的累加和，同样以recall为例

(1.0*1+0.5*2+1.0*2+1.0*2+1.0*2+1.0*1)/10=0.90