Python sklearn precision_recall_fscore_support用法及代码示例

本文简要介绍python语言中 sklearn.metrics.precision_recall_fscore_support 的用法。

用法:

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')

计算每个类的精度、召回率、F-measure 和支持。

精度是比率tp / (tp + fp)，其中tp 是真阳性数，fp 是假阳性数。精度直观地是分类器不将负样本标记为正样本的能力。

召回率是 tp / (tp + fn) 的比率，其中 tp 是真阳性数，fn 是假阴性数。召回率直观地是分类器找到所有正样本的能力。

F-beta 分数可以解释为准确率和召回率的加权调和平均值，其中 F-beta 分数在 1 处达到其最佳值，在 0 处达到最差分数。

F-beta 分数权重的召回率比准确率高出 beta 的系数。 beta == 1.0 表示召回率和准确率同样重要。

支持是 y_true 中每个类的出现次数。

如果 pos_label is None 且处于二元分类中，则此函数返回平均精度、召回率，如果 average 是 'micro' 、 'macro' 、 'weighted' 或 'samples' 之一，则返回 F-measure 。

在用户指南中阅读更多信息。

参数：

y_true：一维数组，或标签指示符数组/稀疏矩阵

基本事实(正确)目标值。

y_pred：一维数组，或标签指示符数组/稀疏矩阵

分类器返回的估计目标。

beta：浮点数，默认=1.0

F-score 中召回率与精度的对比。

labels：类似数组，默认=无

当 average != 'binary' 时要包含的标签集，如果 average is None 则它们的顺序。可以排除数据中存在的标签，例如计算忽略多数负类的多类平均值，而数据中不存在的标签将导致宏观平均值中的 0 个分量。对于多标签目标，标签是列索引。默认情况下，y_true 和y_pred 中的所有标签都按排序顺序使用。

pos_label：str 或 int，默认 = 1

如果average='binary' 并且数据是二进制的，则要报告的类。如果数据是多类或多标签的，这将被忽略；设置 labels=[pos_label] 和 average != 'binary' 将仅报告该标签的分数。

average：{‘binary’, ‘micro’, ‘macro’, ‘samples’,'加权'}，默认=无

如果 None ，则返回每个类的分数。否则，这将确定对数据执行的平均类型：

'binary'：

仅报告 pos_label 指定的类的结果。这仅适用于目标 (y_{true,pred}) 是二进制的。

'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。这没有考虑标签不平衡。

'weighted'：

计算每个标签的指标，并通过支持度(每个标签的真实实例数)找到它们的平均加权值。这会改变 ‘macro’ 以解决标签不平衡问题；它可能导致 F-score 不在精确率和召回率之间。

'samples'：

计算每个实例的指标，并找到它们的平均值(仅对不同于 accuracy_score 的多标签分类有意义)。

warn_for：元组或集合，供内部使用

这决定了在此函数仅用于返回其指标之一的情况下将发出哪些警告。

sample_weight：形状类似数组 (n_samples,)，默认=None

样本权重。

zero_division：“warn”，0或1，默认=”warn”

设置零除法时要返回的值：

• 回忆：当没有正面标签时
• 精度：当没有正面预测时
• f-score：两者都有

如果设置为“warn”，这将作为 0，但也会引发警告。

返回：

precision：浮点数(如果平均值不是无)或浮点数数组，形状 = [n_unique_labels]

recall：浮点数(如果平均值不是无)或浮点数数组，形状 = [n_unique_labels]

fbeta_score：浮点数(如果平均值不是无)或浮点数数组，形状 = [n_unique_labels]

support：无(如果平均值不是无)或 int 数组，形状 = [n_unique_labels]

y_true 中每个标签的出现次数。

注意：

当 true positive + false positive == 0 时，精度未定义。当 true positive + false negative == 0 时，召回未定义。在这种情况下，默认情况下，度量将设置为 0，f-score 和 UndefinedMetricWarning 将被提高。可以使用 zero_division 修改此行为。

参考：

1

Wikipedia entry for the Precision and recall 。

2

Wikipedia entry for the F1-score 。

3

Multi-labeled 知识发现和数据挖掘分类进展的判别方法 (2004)，第 22-30 页，作者 Shantanu Godbole、Sunita Sarawagi.

例子：

>>> 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per-label 精度、召回率、F1 分数和支持，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]))