【scikit-learn】sklearn.metrics.classification_report() 函数：综合性分类评估（ 精确率、召回率、F1 分数、样本支持数）

sklearn.metrics.classification_report

classification_report 是 sklearn.metrics 提供的一个 综合性分类评估工具，它返回一个包含 精确率（Precision）、召回率（Recall）、F1 分数（F1-score）和样本支持数（Support） 的文本报告。

---

1. classification_report 主要内容

指标	说明
precision	精确率（TP / (TP + FP)）
recall	召回率（TP / (TP + FN)）
f1-score	F1 分数（精确率和召回率的调和平均）
support	每个类别的样本数量

此外，它还会计算：

• macro avg：所有类别的简单平均（不考虑样本数量）
• weighted avg：所有类别的加权平均（按样本数量加权）

---

2. classification_report 代码示例

from sklearn.metrics import classification_report

# 假设真实标签（y_true）和模型预测标签（y_pred）
y_true = [0, 1, 1, 0, 1, 0, 1, 1, 0, 0]  # 真实值
y_pred = [0, 1, 0, 0, 1, 0, 1, 1, 1, 0]  # 预测值

# 计算分类报告
report = classification_report(y_true, y_pred)
print(report)

输出结果

              precision    recall  f1-score   support

           0       0.75      0.75      0.75         4
           1       0.80      0.80      0.80         5

    accuracy                           0.80         9
   macro avg       0.78      0.78      0.78         9
weighted avg       0.78      0.78      0.78         9

---

3. classification_report 参数

classification_report(y_true, y_pred, labels=None, target_names=None, sample_weight=None, digits=2, output_dict=False, zero_division='warn')

重要参数

参数	说明
labels	指定类别的标签（默认 None，自动检测）
target_names	指定类别名称（默认 None，使用整数索引）
digits	结果保留的小数位数（默认 2）
output_dict	是否返回 字典格式（默认 False，返回字符串格式）
zero_division	遇到除零情况时的处理方式（"warn"、0 或 1）

---

4. target_names 参数

可以指定类别的名称，使输出更加直观：

y_true = [0, 1, 2, 2, 0]
y_pred = [0, 0, 2, 2, 2]

report = classification_report(y_true, y_pred, target_names=['Cat', 'Dog', 'Rabbit'])
print(report)

输出

              precision    recall  f1-score   support

        Cat       1.00      0.50      0.67         2
        Dog       0.00      0.00      0.00         1
     Rabbit       0.50      1.00      0.67         2

    accuracy                           0.60         5
   macro avg       0.50      0.50      0.44         5
weighted avg       0.60      0.60      0.53         5

注意：当某个类别没有正确预测（如 Dog），精确率或召回率可能为 0，此时会产生 UndefinedMetricWarning，可以用 zero_division=1 避免。

---

5. output_dict=True 获取字典格式

如果希望以 字典 形式获取数据，而不是字符串格式：

report_dict = classification_report(y_true, y_pred, target_names=['Cat', 'Dog', 'Rabbit'], output_dict=True)
print(report_dict)

输出

{
 'Cat': {'precision': 1.0, 'recall': 0.5, 'f1-score': 0.6667, 'support': 2},
 'Dog': {'precision': 0.0, 'recall': 0.0, 'f1-score': 0.0, 'support': 1},
 'Rabbit': {'precision': 0.5, 'recall': 1.0, 'f1-score': 0.6667, 'support': 2},
 'accuracy': 0.6,
 'macro avg': {'precision': 0.5, 'recall': 0.5, 'f1-score': 0.4444, 'support': 5},
 'weighted avg': {'precision': 0.6, 'recall': 0.6, 'f1-score': 0.5333, 'support': 5}
}

这对于 进一步分析 或存储 JSON 结果很有用。

---

6. classification_report 适用场景

• 适用于 二分类 和 多分类任务。
• 不适用于回归问题（回归任务通常使用 mean_squared_error、r2_score 等）。

---

7. 总结

• classification_report 用于评估 分类模型，输出 精确率、召回率、F1 分数 和 支持数。
• 支持二分类和多分类任务，可自定义 类别名称（target_names）。
• 支持字典格式输出（output_dict=True），方便数据分析和存储。
• 遇到精确率或召回率为 0 的情况，可以用 zero_division=1 避免 UndefinedMetricWarning。