【Precision Recall F1】sklearn.metrics中的评估方法
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：
-
\(Precision = \frac{TP}{TP+FP}\)
-
\(Recall = \frac{TP}{TP + FN}\)
-
\(F1 = \frac{2 * Precision * Recall}{Precision + Recall}\)
-
多分类用宏平均（Macro Average）：
-
\(P_{macro} = \frac{1}{C}\sum_{c=1}^{C}{P_c}\)
-
\(R_{macro} = \frac{1}{C}\sum_{c=1}^{C}{R_c}\)
-
\(F1_{macro} = \frac{2 \times P_{macro} \times R_{macro}}{P_{macro} + R_{macro}}\)
-
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
