classification_report简介
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。
target_names：字符串列表，与标签匹配的可选显示名称（相同顺序）。
sample_weight：类似于shape = [n_samples]的数组，可选项，样本权重。
digits：int，输出浮点值的位数．
classification_report用法示例：
from sklearn.metrics import classification_report y_true = [0, 1, 2, 2, 2] y_pred = [0, 0, 2, 2, 1] target_names = ['class 0', 'class 1', 'class 2'] print(classification_report(y_true, y_pred, target_names=target_names))
输出：
precision recall f1-score support
class 0 0.50 1.00 0.67 1
class 1 0.00 0.00 0.00 1
class 2 1.00 0.67 0.80 3
avg / total 0.70 0.60 0.61 5
其中列表左边的一列为分类的标签名，右边support列为每个标签的出现次数．avg / total行为各列的均值（support列为总和）．
precision recall f1-score三列分别为各个类别的精确度/召回率及 F1 F1值．
精确度/召回率/F1值
精确度＆召回率
精确度/召回率/F1值在＜统计学习方法＞和周志华的＜机器学习＞中都有详细介绍，以下参考维基百科中Precision and recall的说明：
如下图所示，假设有若干张图片，其中12张是狗的图片其余是猫的图片．现在利用程序去识别狗的图片，结果在识别出的8张图片中有5张是狗的图片，3张是猫的图片（属于误报）．
图中，实心小圆代表狗的图片，虚心小圆代表猫的图片，圆形区域代表识别结果．
则该程序的精度precision＝5/8，召回率recall＝5/12。
当一个搜索引擎返回30个页面时，只有20页是相关的，而没有返回40个额外的相关页面，其精度为20/30 = 2/3，而其召回率为20/60 = 1/3。在这种情况下，精确度是“搜索结果有多大用处”，而召回是“结果如何完整”。
F1 F1值
F1 F1值是精确度和召回率的调和平均值：
2F1=1P+1R 2F1=1P+1R
F1=2P×RP+R F1=2P×RP+R
精确度和召回率都高时， F1 F1值也会高． F1 F1值在1时达到最佳值（完美的精确度和召回率），最差为0．在二元分类中， F1 F1值是测试准确度的量度。
示例说明：
from sklearn.metrics import classification_report y_true = [0, 1, 2, 2, 2] y_pred = [0, 0, 2, 2, 1] print(classification_report(y_true, y_pred))
输出：
precision recall f1-score support
0 0.50 1.00 0.67 1
1 0.00 0.00 0.00 1
2 1.00 0.67 0.80 3
avg / total 0.70 0.60 0.61 5
例中：
对示例程序中的结果：
precision recall f1-score support 0 0.50 1.00 0.67 1 1 0.00 0.00 0.00 1 2 1.00 0.67 0.80 3
第一行的计算：
即0的预测情况：真实值中有1个0，预测值中有2个0，其中1个预测正确，1个预测错误．如图所示：
则，
P=12=0.5 P=12=0.5
R=11=1 R=11=1
F1=212×112+1=0.67 F1=212×112+1=0.67
第二行的计算：
即1的预测情况：真实值中有1个1，预测值中有1个1，且预测错误．如图所示：
则，
P=01=0 P=01=0
R=01=0 R=01=0
F1=0 F1=0
第三行的计算：
即2的预测情况：真实值中有3个2，预测值中有2个2，且预测正确．如图所示：
则，
P=22=1 P=22=1
R=23=0.67 R=23=0.67
F1=21×231+23+=0.8
————————————————
原文：https://blog.csdn.net/akadiao/article/details/78788864