classification_report 函数用法

classification_report 函数用法

classification_report简介
sklearn中的classification_report函数用于显示主要分类指标的文本报告．在报告中显示每个类的精确度，召回率，F1值等信息。
主要参数:
y_true：1维数组，或标签指示器数组/稀疏矩阵，目标值。
y_pred：1维数组，或标签指示器数组/稀疏矩阵，分类器返回的估计值。
labels：array，shape = [n_labels]，报表中包含的标签索引的可选列表。
target_names：字符串列表，与标签匹配的可选显示名称（相同顺序）。
sample_weight：类似于shape = [n_samples]的数组，可选项，样本权重。
digits：int，输出浮点值的位数．

from sklearn.metrics import classification_report
y_true = [0, 1, 2, 2, 2]
y_pred = [0, 0, 2, 2, 1]
target_names = ['class 0', 'class 1', 'class 2']
print(classification_report(y_true, y_pred, target_names=target_names))

输出

                  precision    recall  f1-score   support
     class 0       0.50      1.00      0.67         1
     class 1       0.00      0.00      0.00         1
     class 2       1.00      0.67      0.80         3
   micro avg       0.60      0.60      0.60         5
   macro avg       0.50      0.56      0.49         5
weighted avg       0.70      0.60      0.61         5

ytrue 为样本真实标记， y_pred 为样本预测标记
support : 为每个标签的出现次数，即 y_true 真实目标值里面的各个分类的总和
accuracy : 准确率，即所有分类中正确的比例，比如上面预测结果中总共正确了3个，则准确率为 3/5 = 60%
precision： 精确度，某个分类下模型预测的结果中有多少是预测正确的，即 预测正确数量/预测数量
recall : 召回率,也叫查全率，即该分类下正确的数值中，有多少个正确的被选出来了，例如 class 2 的 recall，其中 y_true 里面有3个，但是 y_pred 里面只预测出2个正确的，则召回率为 2/3=0.67
f1-score : 精确度和召回率的调和平均值,公式是 2/F=1/P + 1/R,则 F = 2((P_R)/(P+R))，精确度和召回率都高时， F1值也会高． F1值在1时达到最佳值（完美的精确度和召回率），最差为0．在二元分类中， F1值是测试准确度的量度。
micro avg： 计算所有数据下的指标值，比如全部数据 5 个样本中有 3 个预测正确，故 micro avg 为 0.6
macro avg： 每个类别评估指标未加权的平均值，比如准确率的 macro avg，(0.50+0.00+1.00)/3=0.5
weighted avg： 加权平均，权重就是support，比如第一个值的计算方法，(0.50x1 + 0.00x1 + 1.00x3)/5 = 0.70

参考文档

https://blog.csdn.net/akadiao/article/details/78788864
https://blog.csdn.net/iteye_18979/article/details/82726582
https://jishuin.proginn.com/p/763bfbd55d01
https://zhuanlan.zhihu.com/p/368196647