sklearn.metrics - classification_report - 《机器学习 | 神经网络

sklearn.metrics.classification_report
精确度 / 召回率 / F1 值

参考来源：
CSDN：sklearn.metrics.classification_report 模块使用与指标分析(生成混淆矩阵评价分类指标)
CSDN：机器学习笔记－－classification_report & 精确度/召回率/F1值

`sklearn.metrics.classification_report`

1. 前言

在深度学习中，分类任务评价指标是很重要的，一个好的评价指标对于训练一个好的模型极其关键；如果评价指标不对，对于任务而言是没有意义的。
一般都是用准确率来作为评价指标，然而对于类别不均衡的任务来说，或者在任务中某一个类的准确率非常重要。如果再使用单纯的准确率肯定是不合理的，对任务来说没有意义。所以我们需要一个好的评价指标来。目前一般都是用精准率，召回率，F1分数来评价模型；
在 sklearn 中有自动生成这些指标的的工具，就是 sklearn.metrics.classification_report 模块。

2. `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。

sklearn.metrics.classification_report(y_true, y_pred, 
                                      labels=None, target_names=None, 
                                      sample_weight=None, digits=2, output_dict=False)

主要参数:
**y_true**：1 维数组，或标签指示器数组/稀疏矩阵，类别的真实标签值，类标签的列表。
**y_pred**：1 维数组，或标签指示器数组/稀疏矩阵，预测值的标签，类标签的列表，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；这个参数一般不需要设置（如果要设置，比如 200 个类别，那么就应该如此设置：lable= range(200)；然后在sklearn.metrics.classification_report 中将 labels=label），可是有的时候不设置就会出错，之所以会出错是因为：比如你总共的类别为 200 个类，但是，你的测试集中真实标签包含的类别只有 199 个，有一个类别缺失数据，如果不设置这个参数就会报错。
**target_names**：字符串列表，与标签匹配的可选显示名称（相同顺序），在报告中显示；也即是显示与 labels 对应的名称。
**sample_weight**：类似于 shape = [n_samples] 的数组，可选项，样本权重，设置权重的参数，一般不用，需要就可以用。
**digits**：int，输出浮点值的位数；这个参数是用来设置你要输出的格式位数，就是几位有效数字吧，大概就是这个意思，即指定输出格式的精确度。
**output_dict**：一般不用，好像没啥用；如果为 True，则将输出作为 dict 返回。

3. `classification_report` 用法示例：

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
 avg / total       0.70      0.60      0.61         5
    accuracy                           0.60         5
   macro avg       0.50      0.56      0.49         5
weighted avg       0.70      0.60      0.61         5

其中列表中，precision、recall、f1-score 三列分别为各个类别的精确度/召回率及 **F1** 值
左边的一列为分类的标签名，右边 support 列为每个标签的出现次数。avg / total 行为各列的均值（support 列为总和）。
accuracy：计算所有数据下的指标值，假设全部数据 5 个样本中有 3 个预测正确，所以 accuracy 为 3/5 = 0.6 。
macro avg：每个类别评估指标未加权的平均值，比如精确率的 macro avg，(0.50+0.00+1.00)/3=0.5 。
weighted avg：加权平均，就是测试集中样本量大的，我认为它更重要，给他设置的权重大点；比如第一个值的计算方法，(0.50*1 + 0.0*1 + 1.0*3)/5 = 0.70 。

精确度 / 召回率 / F1 值

详见：
语雀：机器学习常见的几种评价指标：精确率（Precision）、召回率（Recall）、准确率（Accuracy）、F值（F-measure）、ROC 曲线、AUC

classification_report