sklearn 特异性和灵敏性_sklearn.metrics中的评估方法介绍

先复习一下混淆矩阵

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