机器学习之分类问题的评估指标2---准确率、精确率、召回率以及F1值

最新推荐文章于 2024-09-27 21:24:26 发布

不再是个孩子喵小姐

最新推荐文章于 2024-09-27 21:24:26 发布

阅读量3.1k

点赞数 1

分类专栏： Machine Learning

本文链接：https://blog.csdn.net/weixin_41650458/article/details/82559297

版权

本文介绍了在sklearn.metrics中计算准确率、精确率、召回率和F1值的方法，探讨了在多分类问题中如何使用这些指标，包括average参数的不同选项，如micro、macro、weighted等，以及它们在处理标签不平衡问题时的影响。

摘要由CSDN通过智能技术生成

本节主要了解一下sklearn.metrics下计算准确率、精确率、召回率和F1值的函数以及对于多分类问题计算时的理解

1、sklearn.metrics.accuracy_score(y_true, y_pred, normalize=True, sample_weight=None)
normalize：bool型值，默认为True；如果为False，则表示正确分类的样本数

2、klearn.metrics.recall_score(y_true, y_pred, labels=None, pos_label=1,average=’binary’, sample_weight=None)
klearn.metrics.precision_score(y_true, y_pred, labels=None, pos_label=1,average=’binary’, sample_weight=None)
klearn.metrics.f1_score(y_true, y_pred, labels=None, pos_label=1,average=’binary’, sample_weight=None)
labels：多类问题时候的标签集，可以去掉一些存在的标签，比如忽略掉多数负样例的多类平均值。
pos_label：str或int。如果是二分类，用于指定的类(0或1)；如果是多分类或多标签，通常会忽略，但如果设置pos_label=关心的类和average!=‘binary’时，则返回该标签的分数。
average : string, [None, ‘binary’ (d