python 多分类_多分类评价指标python代码

from sklearn.metrics import precision_score,recall_score

print (precision_score(y_true, y_scores,average=‘micro‘))

sklearn.metrics模块实现了一些loss, score以及一些工具函数来计算分类性能。一些metrics可能需要正例、置信度、或二分决策值的的概率估计。大多数实现允许每个sample提供一个对整体score来说带权重的分布，通过sample_weight参数完成。

一些二分类(binary classification)使用的case：

matthews_corrcoef(y_true, y_pred)

precision_recall_curve(y_true, probas_pred)

roc_curve(y_true, y_score[, pos_label, …])

一些多分类(multiclass)使用的case：

confusion_matrix(y_true, y_pred[, labels])

hinge_loss(y_true, pred_decision[, labels, …])

一些多标签(multilabel)的case:

accuracy_score(y_true, y_pred[, normalize, …])

classification_report(y_true, y_pred[, …])

f1_score(y_true, y_pred[, labels, …])

fbeta_score(y_true, y_pred, beta[, labels, …])

hamming_loss(y_true, y_pred[, classes])

jaccard_similarity_score(y_true, y_pred[, …])

log_loss(y_true, y_pred[, eps, normalize, …])

precision_recall_fscore_support(y_true, y_pred)

precision_score(y_true, y_pred[, labels, …])

recall_score(y_true, y_pred[, labels, …])

zero_one_loss(y_true, y_pred[, normalize, …])

还有一些可以同时用于二标签和多标签(不是多分类)问题：

average_precision_score(y_true, y_score[, …])

roc_auc_score(y_true, y_score[, average, …])