classification_report指标详解

已于 2022-05-18 09:03:34 修改 · 3.4k 阅读

文章标签：

#sklearn #机器学习 #分类

于 2022-05-18 08:58:10 首次发布

nlp 专栏收录该内容

5 篇文章

订阅专栏

本文详细解析了sklearn库中的classification_report函数，包括precision、recall、f1-score及其平均计算方式。对于单分类问题，accuracy表示正确率，macroavg是各指标直接平均，weightedavg按类别频率加权平均。在多分类场景下，新增了microavg和samplesavg，前者考虑所有样本，后者针对每个样本计算。示例展示了不同平均方式的计算过程。

sklearn的classification_report详解
precision、recall 、f1-score这三个基本就不介绍了，主要介绍平均的一些指标micro avg、macro avg、weighted avg、samples avg、accuracy

单分类

accuracy：正确率，分类正确样本数/总样本数
macro avg：用每一个类别对应的precision、recall、f1-score直接平均
weighted avg：用每一类别个数的权重乘对应类别指标

例子

from sklearn.metrics import classification_report
print(classification_report([3,3,3,1], [1,3,1,2], target_names=['a', 'b', 'c']))

              precision    recall  f1-score   support

           a       0.00      0.00      0.00         1
           b       0.00      0.00      0.00         0
           c       1.00      0.33      0.50         3

    accuracy                           0.25         4
   macro avg       0.33      0.11      0.17         4
weighted avg       0.75      0.25      0.38         4

多分类

多分类中增加了两个指标micro avg、samples avg是针对样本计算的，其他指标是针对标签计算的

micro avg：针对样本，对每一个样本所有类别的TP加起来除以所有类别(TP+FP)
macro avg: 用每一个类别对应的precision、recall、f1-score直接平均
weighted avg:用每一类别个数的权重乘对应类别指标
samples avg：针对样本，首先对每一个样本计算precision、recall指标然后对样本进行平均

例子

from sklearn.metrics import classification_report
y_true = np.array([[1, 0, 1, 0, 0],
                   [0, 1, 0, 1, 1],
                   [1, 1, 1, 0, 1]])
y_pred = np.array([[1, 0, 0, 0, 1],
                   [0, 1, 1, 1, 0],
                   [1, 1, 1, 0, 0]])
print(classification_report(y_true, y_pred))

              precision    recall  f1-score   support  precision计算方式（自加）

           0       1.00      1.00      1.00         2    2/2
           1       1.00      1.00      1.00         2    2/2
           2       0.50      0.50      0.50         2    1/2
           3       1.00      1.00      1.00         1    1/1
           4       0.00      0.00      0.00         2    0/1

   micro avg       0.75      0.67      0.71         9    (1+2+3)/(2+3+3)=0.75
   macro avg       0.70      0.70      0.70         9  (1+1+0.5+1+0)/5=0.7
weighted avg       0.67      0.67      0.67         9  (2/9)*1+(2/9)*1+(2/9)*0.5+(1/9)*1+(2/9)*0=0.67
 samples avg       0.72      0.64      0.67         9  (1/2+2/3+3/3)/3=0.72

表头	precision	recall	f1-score	support	precision计算方式（自加）
0	1.000	1.000	1.000	2	2/2
1	1.000	1.000	1.000	2	2/2
2	0.500	0.500	0.500	2	1/2
3	1.000	1.000	1.000	1	1/1
4	0.000	0.000	0.000	2	0/1
micro avg	0.75	0.67	0.71	9	(1+2+3)/(2+3+3)
macro avg	0.70	0.70	0.70	9	(1+1+0.5+1+0)/5
weighted avg	0.67	0.67	0.67	9	(2/9)1+(2/9)1+(2/9)0.5+(1/9)1+(2/9)*0
samples avg	0.72	0.64	0.67	9	(1/2+2/3+3/3)/3