- 1、accuracy即我们通常理解的准确率，计算的时候是指在预测值pred与目标值target之间重叠的部分的大小除以pred的大小(或target的大小,因为sklearn要求pred与target大小必须一致)。
比如
target=[2,2,2,3,2]
pred=[2,2,1,3,4]
此时重叠的部分为pred[0]、pred[1]、pred[3]，accuracy=3/5=0.6
而precision_score意思类似，但不完全一样，它是从pred的角度考虑，意思是我虽然预测了这么多个，但有几个预测对了？占比多少？这就是precision。
举例：
target=np.array([1,1,1,1,1])
pred=np.array([2,2,1,1,1])
p=precision_score(target,pred)
print(p)#1.0
的结果为1.0(看不懂?马上解释);
但如果是accuracy_score(target,pred),就会输出0.60(预测了5个，对了3个) 此外，
p=precision_score(target,pred)
其实等价于
p=precision_score(target,pred,average='binary',pos_label=1)
average='binary'表示pred当中(最多)只有两种标签(此处是1,2),pos_label=1表示最后输出的结果是针对类别值"1"的计算结果。
如果改成pos_label=2
p=precision_score(target,pred,average='binary',pos_label=2)
则表示计算结果是针对类别为"2"的统计结果，结果为0.0（因为pred中有两个2，但都预测错了，所以为0）。
pos_label这个参数只有average='binary'时管用，若pred中出现3种及以上类别的标签，则pos_label参数即使设置了也会被忽略。
- 2、下面说说average参数的作用，当pred当中有3种或以上类别时，average的值只能取[None, 'micro', 'macro', 'weighted']当中的一种，
其中，有趣的是，当average='micro'时，precision_score(target,pred,average='micro')等价于accuracy的算法，就是看预测对的标签总个数，再除以pred的大小。
而当average='macro'时，会计算每个种类标签的precision_score，再取平均(不考虑各个类别的样本分布差异)。例如:
target=np.array([1,1,2,3,3]) pred=np.array([2,2,1,3,4]) precision_score(target,pred,average='macro')
的结果为0.25,怎么算出来的0.25？
这样算：首先确定，pred中一共是4个类别（1,2,3,4），预测对的只有pred[3]，
类别1的precision=0/1（pred中只有1个标签1，预测对了0个）结果为0 类别2的precision=0/2（pred中有2个标签2，预测对了0个），结果为0 类别3的precision=1/1（pred中有1个标签3，预测对了1个），结果为1 类别4的precision=0/1（pred中有1个标签4，预测对了0个），结果为0
再取平均(不考虑类别的分布差异)：（0+0+1+0）/4=0.25。
Macro另外一个需要注意的地方在于，它在做平均的时候，它认为的类别数不是看target有多少个类别,也不是看pred有多少个类别，而是两者取并集，作为总的类别数。
例如，
target=np.array([1,1,3,3,4]) pred = np.array([1,1,2,0,0,]) print(precision_score(target,pred,average='macro'))#输出0.2
输出0.2，你敢信？并且报了一个警告：
D:Anaconda3libsite-packagessklearnmetrics\_classification.py:1221: UndefinedMetricWarning: Precision is ill-defined and being set to 0.0 in labels with no predicted samples. Use `zero_division` parameter to control this behavior. _warn_prf(average, modifier, msg_start, len(result))
说那些没有被预测的类别的precision_score默认为0,
于是，就是类别1的预测precision_score=1，但一共有0,1,2,3,4，共5类别，而其余类别的precison均为0，所以1/5=0.2。
而当average='weighted'时，前面的步骤跟macro相同，分别计算pred中各个类别的precision_score,但汇总时则会考虑各个类别的样本的分布差异。例如，
target=np.array([1,1,2,2,3,3]) pred=np.array([2,2,1,3,4,3]) precision_score(target,pred,average='macro')
输出0.125
计算过程：pred中有4个类别，类别1、2、4预测正确的个数为0，precision_score均为0，而类别3，预测了2个(pred[3]、pred[5])，仅对了1个（pred[5]），precision_score=0.5，再取平均（0+0+0.5+0）/4=0.125，而
precision_score(target,pred,average='weighted')
则输出0.1666
因为average='weighted'时，会考虑各个类别（在target中，而非pred中）的分布比例，比如，类别1在target中出现占比为2/6，同理类别3的占比为2/6=1/3,
因此最后结果等于0*1/3+0*1/3+0.5*1/3+0*1/3=1/6=0.1666
- 3、再讲讲召回率recall_score的计算方法。
举例：
target=np.array([1,2,2,2,3,3]) pred=np.array([2,2,1,3,4,3]) recall_score(target,pred,average='macro')
输出0.20833333333333331,其实就是5/24。怎么来的？
首先依据定义，pred的召回率是指pred中出现的各类标签，预测正确的次数占target中该类标签数的比例。
类别1的recall=0/1=0 类别2的recall=1/3(1个，即pred[1]预测正确，target中类别2出现了3次) 类别3的recall=1/2(1个，即pred[5]预测正确，target中类别3出现2次) 类别4的recall=0，类别4在target中没有出现，因此预测错误。
最后求平均：(1/3+1/2)/4=5/24=0.20833333333333334
同理，average='weighted'时，
recall_score(np.array([1,2,2,2,3,3]),np.array([2,2,1,3,4,3]),average='weighted')
输出0.333333=1/3
即分别用标签1、2、3、4的recall_score再乘上它们再target中的占比，0*1/6+1/3*3/6+1/2*2/6+0*0/6=1/3。
- 4、另外，需要注意的是sklearn.metrics模块中的precision_score，recall_score中对比的target和pred参数都是一维数组（若不是一维数组，则会认为某一行代表一个样本有多个标签），因此在模型的批训练时，获得的预测结果，需要先转换成一维数组再计算precision,recall,f1等指标。