先复习一下混淆矩阵
![v2-fa135b320a8527ca3647608661f17f32_b.jpg](http://img-02.proxy.5ce.com/view/image?&type=2&guid=4bfb7626-4c2f-eb11-8da9-e4434bdf6706&url=https://pic3.zhimg.com/v2-fa135b320a8527ca3647608661f17f32_b.jpg)
精确率Precision=a/(a+c)=TP/(TP+FP),
召回率recall=a/(a+b)=TP/(TP+FN),
准确率accuracy=(a+d)/(a+b+c+d)=(TP+TN)/(TP+FN+FP+TN),
更详细的混淆矩阵简绍
accuracy_score
分类准确率分数是指所有分类正确的百分比。分类准确率这一衡量分类器的标准比较容易理解,但是它不能告诉你响应值的潜在分布,并且它也不能告诉你分类器犯错的类型。
形式:
sklearn
normalize:默认值为True,返回正确分类的比例;如果为False,返回正确分类的样本数
示例:
>>>
recall_score
形式:
klearn
参数
average : string, [None, ‘micro’, ‘macro’(default), ‘samples’, ‘weighted’]
将一个二分类matrics拓展到多分类或多标签问题时,我们可以将数据看成多个二分类问题的集合,每个类都是一个二分类。接着,我们可以通过跨多个分类计算每个二分类metrics得分的均值,这在一些情况下很有用。你可以使用average参数来指定。
macro:计算二分类metrics的均值,为每个类给出相同权重的分值。当小类很重要时会出问题,因为该macr