【sklearn】详解classification_report的分类报告计算

XINFINFZ

已于 2022-03-28 09:10:09 修改

阅读量1.9w

点赞数 39

分类专栏：机器学习 Python 文章标签： sklearn 分类机器学习

于 2021-12-21 16:27:59 首次发布

本文链接：https://blog.csdn.net/weixin_43945848/article/details/122061718

版权

简介

说来惭愧，好久不写博客，让我动笔的竟然是sklearn一个小小的api功能，以前评价模型用的都是总体的准确率，第一次用sklearn提供的分类报告功能竟然搞不懂是怎么计算的，怎么还分类别。就像下面这样：
在这里插入图片描述

嗯，这都啥呀？老实说第一次看我只看懂了准确率即accuracy是怎么计算的。。。

计算

首先y_true是真实结果，y_pred是预测出的标签，它们分别如下：

y_true
array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

XINFINFZ

关注关注

39
点赞
踩
157

收藏

觉得还不错? 一键收藏
10
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

sklearn.metrics.classification_report报告解析

yang_daxia的博客

11-10

2652

参考： https://scikit-learn.org/stable/modules/generated/sklearn.metrics.classification_report.html#sklearn.metrics.classification_report https://blog.csdn.net/comway_Li/article/details/102758972 对应关系：accuracy 就是之前的acc, macro avg recall就是之前的mA， macro a.

SKLearn中预测准确率函数介绍

dichuanyan5669的博客

05-21

2538

SKLearn中预测准确率函数介绍 1、在使用Sklearn进行机器学习算法预测测试数据时，常用到classification_report函数来进行测试的准确率的计算输 #开始预测y_pred = clf.predict(X_test)print("do...

10 条评论您还未登录，请先登录后发表或查看评论

【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）

彬彬侠的博客

03-13

334

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。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。

sklearn的classification_report类

qq_41929011的博客

03-29

2498

sklearn中的classification_report函数用于显示主要分类指标的文本报告．在报告中显示每个类的精确度，召回率，F1值等信息。主要参数: y_true：1维数组，或标签指示器数组/稀疏矩阵，目标值。 y_pred：1维数组，或标签指示器数组/稀疏矩阵，分类器返回的估计值。 labels：array，shape = [n_labels]，报表中包含的标签索引的可选列表。 tar...

机器学习 - sklearn中的classification_report()和KNeighborsClassifier()介绍

CHNMSCS

03-04

810

sklearn

机器学习：sklearn分类报告classification_report()中精确率, 召回率, F1等的含义

JacksonKim的博客

04-06

2万+

一、classification_report简介 def classification_report(y_true, y_pred, labels=None, target_names=None, sample_weight=None, digits=2, output_dict=False) 该函数就是在进行了分类任务之后通过输入原始真实数据（y_true)和预测数据(y_true)而得到...

【Pytorch】进阶学习：深入解析 sklearn.metrics 中的 classification_report 函数---分类性能评估的利器

m0_58477260的博客

04-15

3739

是评估分类模型性能的一个强大工具，它提供了丰富的指标来帮助我们全面评估模型的性能。通过解读报告中的精确率、召回率、F1分数等指标，我们可以了解模型在不同类别上的表现，并根据需要进行优化。要进一步提高模型性能，除了调整模型参数和进行特征工程外，还可以尝试集成学习、深度学习等更高级的方法。此外，了解不同评估指标的含义和优缺点也是非常重要的，这有助于我们更准确地评估模型的性能。希望本博客能够帮助你深入理解函数，并学会如何使用它来评估和优化分类模型的性能。

sklearn模型评估全景：指标详解与应用实例

2402_85758936的博客

07-02

888

在机器学习中，模型评估是衡量算法性能的关键步骤。（简称sklearn）提供了一套全面的模型评估工具，帮助开发者量化模型的准确性、健壮性和其他重要特性。本文将详细介绍sklearn中的模型评估指标，并通过代码示例展示如何应用这些指标。

import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report from sklearn.preprocessing import StandardScaler # 设置中文显示 plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签 plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号 # 3. 故障报警影响因素分析 # 3.1 特征选择 features = df[['车速', '总电压', '总电流', 'SOC', '驱动电机控制器温度', '驱动电机转速', '驱动电机转矩', '驱动电机温度', '电池单体电压最高值', '电池单体电压最低值', '最高温度值', '最低温度值']] # 3.2 标签 labels = df['最高报警等级'] # 3.3 数据标准化 scaler = StandardScaler() features_scaled = scaler.fit_transform(features) # 3.4 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(features_scaled, labels, test_size=0.2, random_state=42) # 3.5 训练随机森林分类器 rfc = RandomForestClassifier(n_estimators=100, random_state=42) rfc.fit(X_train, y_train) # 3.6 模型评估 y_pred = rfc.predict(X_test) print(classification_report(y_test, y_pred)) # 3.7 特征重要性分析 feature_importances = pd.Series(rfc.feature_importances_, index=features.columns) feature_importances = feature_importances.sort_values(ascending=False) # 3.8 可视化特征重要性 plt.figure(figsize=(10, 8)) sns.barplot(x=feature_importances.values, y=feature_importances.index) plt.title('特征重要性分析') plt.xlabel('重要性得分') plt.ylabel('特征') plt.savefig(r"C:\Users\wei\Pictures\特征重要性分析.png", dpi=300) plt.show()解决代码的问题，进行优化返回

最新发布

03-15

from sklearn.metrics import classification_report, confusion_matrix, roc_auc_score from sklearn.preprocessing import StandardScaler from imblearn.over_sampling import SMOTE from imblearn.pipeline ...

医学数据挖掘流程（四）：建模调参画图

天狼啸月1990的博客

11-11

2226

建模数据集不包含patient_id或case_no，但我们需要保存一版带id的数据集，自己看！二分类模型多分类模型回归模型。

sklearn中classification_report解释

我本傲骄的博客

06-07

1万+

classification_report sklearn中的classification_report函数用于显示主要分类指标的文本报告．在报告中显示每个类的精确度，召回率，F1值等信息。 precision（精度）：关注于所有被预测为正（负）的样本中究竟有多少是正（负）。 recall（召回率）：关注于所有真实为正（负）的样本有多少被准确预测出来了。 f1-score：二者均值。 supp...

ML笔记-sklearn.classification_report

dhyms482645的博客

01-28

180

主要用于显示主要分类指标的文本报告，在报告中显示每个类的精确度、召回率、F1等信息首先数据测试结果分为以下4种情况： TP:预测为正，实现为正 FP:预测为正，实现为负 FN:预测为负，实现为正 TN:预测为负，实现为负准确率：所有识别为“1”的数据中，正确的比率是多少。　　　　eg.有100个样本被识别为“1”，但是其实只有80个结果是正确的，20个实际上是非“1”...

python sklearn 分类结果分析（混淆矩阵，分类报告）

廷益_飞鸟的博客

08-13

5390

python sklearn 分类结果分析（混淆矩阵，分类报告）下载地址链接: https://pan.baidu.com/s/1aB5B_n9HyHEiCuPCgva2-g 提取码: 48ny """ 模型训练、预测完成后可以统计分类结果的混淆矩阵、分类报告混淆矩阵 : 矩阵行：分类列：分类分类报告：召回率 F1分数等结果 """ import numpy as np import sklearn.naive_bayes as nb import matpl

sklearn：classification_report

weixin_45485072的博客

01-01

1075

classification_report的格式引用：sklearn.metrics.classification_report模块使用与指标分析(生成混淆矩阵评价分类指标) 在使用autoclassfication后获取其中的precision recall f1-score 值 def auto_sklearn_classification(X_train, X_test, y_train, y_test): cls = autosklearn.classification.AutoSkle

【深度学习】classification_report

littlemichelle

04-10

5731

classification_report() 是python在机器学习中常用的输出模型评估报告的方法。主要参数:y_true：1维数组，或标签指示器数组/稀疏矩阵，目标值。y_pred：1维数组，或标签指示器数组/稀疏矩阵，分类器返回的估计值。labels：array，shape = [n_labels]，报表中包含的标签索引的可选列表。target_names：字符串列表，与标签匹配的可选显示名称（相同顺序）。

sklearn.metrics.classification_report