ValueError: Target is multiclass but average=‘binary‘. ‘micro‘、‘macro‘、‘weighted‘ 或 None选择哪一个？完美回答如下

1.原始代码

print("准确度accuracy是： %0.4f" % accuracy_score(Y_test, y_pred2))
print("精确度precision是： %0.4f" % precision_score(Y_test, y_pred2))
print("recall是： %0.4f" % recall_score(Y_test, y_pred2))
print("f1_score是： %0.4f" % f1_score(Y_test, y_pred2))

2. 报错

ValueError: Target is multiclass but average=‘binary’. Please choose another average setting, one of [None, ‘micro’, ‘macro’, ‘weighted’].

3.错误分析

这个错误的意思是，我正在尝试计算多分类的指标（准确率、精确率、召回率和 F1 分数），但是我的 average 参数被设置为 'binary'，这是为二分类问题设计的。对于多分类问题，你需要选择 'micro'、'macro'、'weighted' 或 None 这四个设置之一。

在 scikit-learn 中，precision_score、recall_score 和 f1_score 函数都有 average 参数，这个参数决定了如何计算多分类的指标。

'micro'：全局计算，包括每个样本的 True Positives，False Positives 和 False Negatives。
'macro'：对每个标签分别计算，然后取平均（不除以标签数）。
'weighted'：对每个标签分别计算，然后取加权的平均值（除以每个标签的样本数）。
如果你不设置 average 参数，或者设置为 None，那么这些函数将返回一个字典，其中键是标签名，值是对应标签的指标。

4. 修改后的代码如下：

print("准确度accuracy是： %0.4f" % accuracy_score(Y_test, y_pred2))  
print("精确度precision是： %0.4f" % precision_score(Y_test, y_pred2, average='macro'))  # 可以根据你的需要选择 'micro', 'weighted' 等  
print("recall是： %0.4f" % recall_score(Y_test, y_pred2, average='macro'))  # 可以根据你的需要选择 'micro', 'weighted' 等  
print("f1_score是： %0.4f" % f1_score(Y_test, y_pred2, average='macro'))  # 可以根据你的需要选择 'micro', 'weighted' 等

注意，我选择了 ‘macro’ 作为 average 的值，但你也可以根据你的需求选择其他值。