sklearn.metrics 中的 classification_report 以及 精度和召回率

分类报告：sklearn.metrics.classification_report(y_true, y_pred, labels=None, target_names=None,sample_weight=None, digits=2)，显示主要的分类指标，返回每个类标签的精确、召回率及F1值

主要参数说明：

labels：分类报告中显示的类标签的索引列表

target_names：显示与labels对应的名称

digits：指定输出格式的精确度

———————–讲讲自己的理解———————–

精度和召回率的分母部分的研究对象是不同的

精度关注于所有被预测为阳性的样本中究竟有多少是阳性的，而召回率关注于所有真实为阳性的样本有多少被准确预测出来了。

精度和召回率是相互矛盾的，一个上升另外一个就会下降。比如我全部预测样本为阳性，那么精度就会降的很低，而召回率达到100%。如果我全部预测为阴性，那么精度为100%（0/0），召回率降得很低。所以才会有F指数来综合上述两个指标。

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

召回率(recall)=正确预测的个数(TP)/预测个数(TP+FN)

F1 = 2*精度*召回率/(精度+召回率)

————————————————————————-

   
   

     
     

      
      

     
     
     
     

      
      

       
       In [
       
       4]: 
       
       from sklearn.metrics 
       
       import classification_report
      
      
     
     

     
     

      
      

     
     
     
     

      
      

       
          …: y_true = [
       
       1, 
       
       2, 
       
       3, 
       
       3, 
       
       3]
      
      
     
     

     
     

      
      

     
     
     
     

      
      

       
          …: y_pred = [
       
       1, 
       
       1, 
       
       3, 
       
       3, 
       
       2]
      
      
     
     

     
     

      
      

     
     
     
     

      
      

       
          …: labels =[
       
       1,
       
       3,
       
       2]
      
      
     
     

     
     

      
      

     
     
     
     

      
      

       
          …: target_names = [
       
       ‘labels_1’,
       
       ‘labels_2’,
       
       ‘labels_3’,
       
       ‘labels-4’]
      
      
     
     

     
     

      
      

     
     
     
     

      
      

       
          …: print(classification_report(y_true,y_pred,labels=labels,target_names= t
      
      
     
     

     
     

      
      

     
     
     
     

      
      

       
          …: arget_names,digits=
       
       3))
      
      
     
     

     
     

      
      

     
     
     
     

      
      

       
          …:
      
      
     
     

     
     

      
      

     
     
     
     

      
      

       
                    precision    recall  f1-score   support
      
      
     
     

     
     

      
      

     
     
     
     

      
      
 
      
      
     
     

     
     

      
      

     
     
     
     

      
      

       
          labels_1      
       
       0.500     
       
       1.000     
       
       0.667         
       
       1
      
      
     
     

     
     

      
      

     
     
     
     

      
      

       
          labels_2      
       
       1.000     
       
       0.667     
       
       0.800         
       
       3
      
      
     
     

     
     

      
      

     
     
     
     

      
      

       
          labels_3      
       
       0.000     
       
       0.000     
       
       0.000         
       
       1
      
      
     
     

     
     

      
      

     
     
     
     

      
      
 
      
      
     
     

     
     

      
      

     
     
     
     

      
      

       
       avg / total      
       
       0.700     
       
       0.600     
       
       0.613         
       
       5
      
      
     
     
   
   

最后一行结果：等于各指标的加权平均值
注意：在二分类中，真正例率也称灵敏度，真负例率也称特效性

            </div>