sklearn分类模型的评估(classification_report)

scikit-learn -分类模型的评估(classification_report)
参数
sklearn.metrics.classification_report(y_true, y_pred, labels=None, target_names=None, sample_weight=None, digits=2, output_dict=False)

• y_true：1 维数组，真实数据的分类标签
• y_pred：1 维数组，模型预测的分类标签
• target_names：列表，指定标签名称
• sample_weight：1 维数组，不同数据点在评估结果中所占的权重
• digits：评估报告中小数点的保留位数，如果 output_dict=True，此参数不起作用，返回的数值不作处理
• output_dict：若真，评估结果以字典形式返回

返回值：字符串或字典

• 精确度：precision，正确预测为正的，占全部预测为正的比例，TP / (TP+FP)
• 召回率：recall，正确预测为正的，占全部实际为正的比例，TP / (TP+FN)
• F1-score：精确率和召回率的调和平均数，2 * precision*recall / (precision+recall)
  其他参数：
• 微平均值：micro average，所有数据结果的平均值
• 宏平均值：macro average，所有标签结果的平均值
• 加权平均值：weighted average，所有标签结果的加权平均值
  用法示例：

from sklearn.metrics import classification_report
y_true = [0, 1, 2, 2, 2]
y_pred = [0, 0, 2, 2, 1]
target_names = ['class 0', 'class 1', 'class 2']
print(classification_report(y_true, y_pred, target_names=target_names))

输出结果：

             precision    recall  f1-score   support

    class 0       0.50      1.00      0.67         1
    class 1       0.00      0.00      0.00         1
    class 2       1.00      0.67      0.80         3

avg / total       0.70      0.60      0.61         5

考虑现在输入分类器的样本有10个，他们属于类别A B C。

假设这10个样本的真实类标为（有序）和分类器预测的类标分别是：

真实：A A A C B C A B B C
预测：A A C B A C A C B C

precision(A) = 3(正确预测为A类的样本个数为3) / 4(预测为A类的样本数为4) = 0.75 recall(A) = 3 / 4(真实A类样本有4个) = 0.75

precision(B) = 1 / 2 = 0.5 recall(B) = 1 / 3 = 0.3333

precision( C ) = 2 / 3 = 0.6667 recall( C ） = 2 / 3 = 0.6667