Python sklearn precision_recall_fscore_support用法及代碼示例

本文簡要介紹python語言中 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')

計算每個類的精度、召回率、F-measure 和支持。

精度是比率tp / (tp + fp)，其中tp 是真陽性數，fp 是假陽性數。精度直觀地是分類器不將負樣本標記為正樣本的能力。

召回率是 tp / (tp + fn) 的比率，其中 tp 是真陽性數，fn 是假陰性數。召回率直觀地是分類器找到所有正樣本的能力。

F-beta 分數可以解釋為準確率和召回率的加權調和平均值，其中 F-beta 分數在 1 處達到其最佳值，在 0 處達到最差分數。

F-beta 分數權重的召回率比準確率高出 beta 的係數。 beta == 1.0 表示召回率和準確率同樣重要。

支持是 y_true 中每個類的出現次數。

如果 pos_label is None 且處於二元分類中，則此函數返回平均精度、召回率，如果 average 是 'micro' 、 'macro' 、 'weighted' 或 'samples' 之一，則返回 F-measure 。

在用戶指南中閱讀更多信息。

參數：

y_true：一維數組，或標簽指示符數組/稀疏矩陣

基本事實(正確)目標值。

y_pred：一維數組，或標簽指示符數組/稀疏矩陣

分類器返回的估計目標。

beta：浮點數，默認=1.0

F-score 中召回率與精度的對比。

labels：類似數組，默認=無

當 average != 'binary' 時要包含的標簽集，如果 average is None 則它們的順序。可以排除數據中存在的標簽，例如計算忽略多數負類的多類平均值，而數據中不存在的標簽將導致宏觀平均值中的 0 個分量。對於多標簽目標，標簽是列索引。默認情況下，y_true 和y_pred 中的所有標簽都按排序順序使用。

pos_label：str 或 int，默認 = 1

如果average='binary' 並且數據是二進製的，則要報告的類。如果數據是多類或多標簽的，這將被忽略；設置 labels=[pos_label] 和 average != 'binary' 將僅報告該標簽的分數。

average：{‘binary’, ‘micro’, ‘macro’, ‘samples’,'加權'}，默認=無

如果 None ，則返回每個類的分數。否則，這將確定對數據執行的平均類型：

'binary'：

僅報告 pos_label 指定的類的結果。這僅適用於目標 (y_{true,pred}) 是二進製的。

'micro'：

通過計算總的真陽性、假陰性和假陽性來全局計算指標。

'macro'：

計算每個標簽的指標，並找到它們的未加權平均值。這沒有考慮標簽不平衡。

'weighted'：

計算每個標簽的指標，並通過支持度(每個標簽的真實實例數)找到它們的平均加權值。這會改變 ‘macro’ 以解決標簽不平衡問題；它可能導致 F-score 不在精確率和召回率之間。

'samples'：

計算每個實例的指標，並找到它們的平均值(僅對不同於 accuracy_score 的多標簽分類有意義)。

warn_for：元組或集合，供內部使用

這決定了在此函數僅用於返回其指標之一的情況下將發出哪些警告。

sample_weight：形狀類似數組 (n_samples,)，默認=None

樣本權重。

zero_division：“warn”，0或1，默認=”warn”

設置零除法時要返回的值：

• 回憶：當沒有正麵標簽時
• 精度：當沒有正麵預測時
• f-score：兩者都有

如果設置為“warn”，這將作為 0，但也會引發警告。

返回：

precision：浮點數(如果平均值不是無)或浮點數數組，形狀 = [n_unique_labels]

recall：浮點數(如果平均值不是無)或浮點數數組，形狀 = [n_unique_labels]

fbeta_score：浮點數(如果平均值不是無)或浮點數數組，形狀 = [n_unique_labels]

support：無(如果平均值不是無)或 int 數組，形狀 = [n_unique_labels]

y_true 中每個標簽的出現次數。

注意：

當 true positive + false positive == 0 時，精度未定義。當 true positive + false negative == 0 時，召回未定義。在這種情況下，默認情況下，度量將設置為 0，f-score 和 UndefinedMetricWarning 將被提高。可以使用 zero_division 修改此行為。

參考：

1

Wikipedia entry for the Precision and recall 。

2

Wikipedia entry for the F1-score 。

3

Multi-labeled 知識發現和數據挖掘分類進展的判別方法 (2004)，第 22-30 頁，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)

可以計算per-label 精度、召回率、F1 分數和支持，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]))