precision_recall_fscore_support#
- sklearn.metrics.precision_recall_fscore_support(y_true, y_pred, *, beta=1.0, labels=None, pos_label=1, average=None, warn_for=('precision', 'recall', 'f-score'), sample_weight=None, zero_division='warn')#
计算每个类别的精确度、召回率、F-度量和支持度。
精确度是比率
tp / (tp + fp)，其中tp是真阳性的数量，fp是假阳性的数量。精确度直观地表示分类器不将负样本标记为正样本的能力。召回率是比率
tp / (tp + fn)，其中tp是真阳性的数量，fn是假阴性的数量。召回率直观地表示分类器找到所有正样本的能力。F-beta 分数可以解释为精确度和召回率的加权调和平均值，其中 F-beta 分数在 1 处达到最佳值，在 0 处达到最差值。
F-beta 分数通过
beta因子更多地权衡召回率而不是精确度。beta == 1.0表示召回率和精确度同等重要。支持度是
y_true中每个类别的出现次数。通过将 multiclass 和 multilabel 数据视为每个标签的二元问题集合，实现了对 binary 目标之外的支持。对于 binary 情况，设置
average='binary'将返回pos_label的指标。如果average不是'binary'，则忽略pos_label，并计算两个类别的指标，然后根据average参数进行平均或同时返回（当average=None时）。类似地，对于 multiclass 和 multilabel 目标，所有labels的指标根据average参数返回或平均。使用labels指定要计算指标的标签集。更多信息请参阅 用户指南 。
- Parameters:
- y_true1d array-like, 或标签指示器数组 / 稀疏矩阵
真实目标值（正确的）。
- y_pred1d array-like, 或标签指示器数组 / 稀疏矩阵
分类器返回的估计目标。
- betafloat, 默认=1.0
F-分数中召回率相对于精确度的权重。
- labelsarray-like, 默认=None
当
average != 'binary'时要包含的标签集，以及当average is None时的顺序。数据中存在的标签可以被排除，例如在多类分类中排除一个“负类”。数据中不存在的标签可以被包含，并将被“分配”0 个样本。对于多标签目标，标签是列索引。默认情况下，y_true和y_pred中的所有标签按排序顺序使用。- pos_labelint, float, bool 或 str, 默认=1
当
average='binary'且数据为二元时报告的类别，否则忽略此参数。 对于多类或多标签目标，设置labels=[pos_label]和average != 'binary'以仅报告一个标签的指标。- average{‘binary’, ‘micro’, ‘macro’, ‘samples’, ‘weighted’}, 默认=None
如果为
None，则返回每个类别的指标。否则，这决定了数据上的平均类型：'binary':仅报告
pos_label指定的类别的结果。仅当目标 (y_{true,pred}) 为二元时适用。'micro':通过计算总的真阳性、假阴性和假阳性来全局计算指标。
'macro':计算每个标签的指标，并找到它们的未加权平均值。这不考虑标签不平衡。
'weighted':计算每个标签的指标，并按支持度（每个标签的真实例数）加权平均。这改变了 ‘macro’ 以考虑标签不平衡；它可能导致 F-分数不在精确度和召回率之间。
'samples':计算每个实例的指标，并找到它们的平均值（仅对多标签分类有意义，这与
accuracy_score不同）。
- warn_forlist, tuple 或 set, 内部使用
这决定了在仅返回此函数的某个指标时将发出哪些警告。
- sample_weightarray-like of shape (n_samples,), 默认=None
样本权重。
- zero_division{“warn”, 0.0, 1.0, np.nan}, 默认=”warn”
- 设置在零除时返回的值：
召回率：当没有正标签时
精确度：当没有正预测时
f-分数：两者
注意： - 如果设置为 “warn”，这相当于 0，但也会发出警告。 - 如果设置为
np.nan，此类值将从平均值中排除。Added in version 1.3:
np.nan选项已添加。
- Returns:
- precisionfloat（如果 average 不是 None）或 float 数组，形状 = [n_unique_labels]
精确度分数。
- recallfloat（如果 average 不是 None）或 float 数组，形状 = [n_unique_labels]
召回率分数。
- fbeta_scorefloat（如果 average 不是 None）或 float 数组，形状 = [n_unique_labels]
F-beta 分数。
- supportNone（如果 average 不是 None）或 int 数组，形状 = [n_unique_labels]
y_true中每个标签的出现次数。
Notes
当
真阳性 + 假阳性 == 0时，精确度未定义。 当真阳性 + 假阴性 == 0时，召回率未定义。当真阳性 + 假阴性 + 假阳性 == 0时，f-分数未定义。在这种情况下，默认情况下指标将设置为 0，并会引发UndefinedMetricWarning。此行为可以通过zero_division修改。References
[1]Examples
>>> import numpy as np >>> from sklearn.metrics import precision_recall_fscore_support >>> y_true = np.array(['cat', 'dog', 'pig', 'cat', 'dog', 'pig']) >>> y_pred = np.array(['cat', 'pig', 'dog', 'cat', 'cat', 'dog']) >>> precision_recall_fscore_support(y_true, y_pred, average='macro') (0.22..., 0.33..., 0.26..., None) >>> precision_recall_fscore_support(y_true, y_pred, average='micro') (0.33..., 0.33..., 0.33..., None) >>> precision_recall_fscore_support(y_true, y_pred, average='weighted') (0.22..., 0.33..., 0.26..., None)
可以计算每个标签的精确度、召回率、F1-分数和支持度，而不是平均：
>>> precision_recall_fscore_support(y_true, y_pred, average=None, ... labels=['pig', 'dog', 'cat']) (array([0. , 0. , 0.66...]), array([0., 0., 1.]), array([0. , 0. , 0.8]), array([2, 2, 2]))