【sklearn】详解classification_report的分类报告计算

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：

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, 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, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1])

y_pred
array([0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 1, 1, 0, 1, 0, 0, 0, 1,
       0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 1, 1, 0, 1, 0, 0, 1, 1, 0, 1, 1, 1, 1, 1, 1, 1, 1, 0, 1, 1,
       0, 0, 1, 1, 1, 1, 1, 1, 0, 1, 1, 1])

闲着没事干的可以自己数数，这边统计出来的结果是：
实际情况中，前68个样本为0类别，后32个样本为1类别。
预测中，前68个样本中有11个被预测为了1类别，后32个样本中有8个被预测为了0类别。

那么我们先说分类报告中最右边的support为什么是68和32。
support意思为支持，也就是说真实结果中有多少是该类别。那么有68个为0类别，32个为1类别。
在左边的召回率里，分母为support个数。

那么0类别里召回率即recall的计算为：
(68-11)/68=0.8382，保留两位小数为0.84。
同理1类别中：
(32-8)/32=0.75。
意思为 实际为x的类别中，有多少预测为x。

而精准率即precision的区别在于分母不同：
此时的分母为预测样本分类。
0类别：
57/65=0.8769，保留两位小数为0.88。
1类别：
24/35=0.6857，保留两位小数为0.69。
意思为 预测为x的样本中，有多少被正确预测为x。

解决了这两个，剩下的就很好懂了。
F1分数=2 * precision * recall /(precision+recall)。
accuracy=(100-11-8)/100。
注：准确率(accuracy)即全部样本里被分类正确的比例。
macro avg = 上面类别各分数的直接平均
注：如精准率的macro avg=(0.88+0.69)/2约等于0.78。
weighted avg=上面类别各分数的加权（权值为support）平均
注：如精准率的weighted avg=（0.88x68+0.69*32）/100约等于0.82。

总结：纸上得来终觉浅，很多理论知识学了就忘，其实还是缺乏实践。
实践是发现问题的最好途径。