classification_report
sklearn.metrics.classification_report(y_true, y_pred, labels = None,
target_names = None, sample_weight = None, digits=2)
-
显示主要的分类指标
-
返回每个类标签的精确、召回率及F1值
主要参数说明:
-
labels:分类报告中显示的类标签的索引列表
-
target_names:显示与labels对应的名称
-
digits:指定输出格式的精度
评价指标:
-
(Precision = frac{TP}{TP+FP})
-
(Recall = frac{TP}{TF + FN})
-
(F1 = frac{2 * Precision * Recall}{Precision + Recall})
-
多分类用宏平均(Macro Average):
-
(P_{macro} = frac{1}{C}sum_{c=1}^{C}{P_c})
-
(R_{macro} = frac{1}{C}sum_{c=1}^{C}{R_c})
-
(F1_{macro} = frac{2 imes P_{macro} imes R_{macro}}{P_{macro} + R_{macro}})
-
from sklearn.metrics import classification_report
y_true = [1, 2, 3, 3, 3]
y_pred = [1, 1, 3, 3, 2]
labels = [1, 2, 3]
target_names = ['labels_1','labels_2', 'labels_3']
print(classification_report(y_true, y_pred, labels=labels, target_names=target_names, digits=3))
precision recall f1-score support
labels_1 0.500 1.000 0.667 1
labels_2 0.000 0.000 0.000 1
labels_3 1.000 0.667 0.800 3
accuracy 0.600 5
macro avg 0.500 0.556 0.489 5
weighted avg 0.700 0.600 0.613 5
最后一行结果:等于各指标的加权平均值(常用于多分类)
注意:在二分类中,真正例率也称灵敏度,真负例率也称特效性
accuracy_score
- 分类准确率分数是指所有分类正确的百分比
sklearn.metrics.accuracy_score(y_true, y_pred, normalize=True, sample_weight=None)
- normalize:默认值为True,返回正确分类的比例;如果为False,返回正确分类的样本数
recall_score
sklearn.metrics.recall_score(y_true, y_pred, labels=None,
pos_label=1, average='binary', sample_weight=None)
-
将一个二分类matrics拓展到多分类或多标签问题时,我们可以将数据看成多个二分类问题的集合,每个类都是一个二分类。
-
接着,我们可以通过跨多个分类计算每个二分类metrics得分的均值,这在一些情况下很有用。你可以使用average参数来指定。
-
macro:计算二分类metrics的均值,为每个类给出相同权重的分值。当小类很重要时会出问题,因为该macro-averging方法是对性能的平均。
- 另一方面,该方法假设所有分类都是一样重要的,因此macro-averaging方法会对小类的性能影响很大。
-
weighted: 对于不均衡数量的类来说,计算二分类metrics的平均,通过在每个类的score上进行加权实现。
-
micro:给出了每个样本类以及它对整个metrics的贡献的pair(sample-weight),而非对整个类的metrics求和,它会每个类的metrics上的权重及因子进行求和,来计算整个份额。
- Micro-averaging方法在多标签(multilabel)问题中设置,包含多分类,此时,大类将被忽略。
-
samples:应用在multilabel问题上。它不会计算每个类,相反,它会在评估数据中,通过计算真实类和预测类的差异的metrics,来求平均(sample_weight-weighted)
-
average:average=None将返回一个数组,它包含了每个类的得分.
参数average
选项 | 含义 |
---|---|
binary | 二分类 |
micro | 统计全局TP和FP来计算 |
macro | 计算每个标签的未加权均值(不考虑不平衡) |
weighted | 计算每个标签等等加权均值(考虑不平衡) |
samples | 计算每个实例找出其均值 |
precision_score
sklearn.metrics.precision_score(y_true, y_pred, labels=None, pos_label=1, average=’binary’, sample_weight=None)
f1_score
sklearn.metrics.f1_score(y_true, y_pred, labels=None, pos_label=1, average=’binary’, sample_weight=None)
参数:
-
y_true : 1d array-like, or label indicator array / sparse matrix.
- 目标的真实类别。
-
y_pred : 1d array-like, or label indicator array / sparse matrix.
- 分类器预测得到的类别。
-
average : string,[None, ‘binary’(default), ‘micro’, ‘macro’, ‘samples’, ‘weighted’]
- 这里需要注意,如果是二分类问题则选择参数‘binary’;如果考虑类别的不平衡性,需要计算类别的加权平均,则使用‘weighted’;如果不考虑类别的不平衡性,计算宏平均,则使用‘macro’。
from sklearn.metrics import f1_score
y_pred = [0, 1, 1, 1, 2, 2]
y_true = [0, 1, 0, 2, 1, 1]
print(f1_score(y_true, y_pred, average='macro'))
print(f1_score(y_true, y_pred, average='weighted'))
# 0.3333333333333333
# 0.38888888888888884