sklearn.metrics.classification_report

最新推荐文章于 2025-11-26 13:29:24 发布

翻译最新推荐文章于 2025-11-26 13:29:24 发布 · 2.7w 阅读

文章标签：

#sklearn #metrics #classification_repor

sklearn 专栏收录该内容

25 篇文章

订阅专栏

本文详细介绍了如何使用sklearn.metrics中的classification_report函数来评估分类模型的性能。通过实例展示了如何设置类标签和对应的名称，并解释了精度、召回率及F1值等关键指标的计算方式。

分类报告：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：指定输出格式的精确度

精度(precision) = 正确预测的个数(TP)/被预测正确的个数(TP+FP)

召回率(recall)=正确预测的个数(TP)/预测个数(TP+FN)

F1 = 2*精度*召回率/(精度+召回率)

In [4]: from sklearn.metrics import classification_report
   ...: y_true = [1, 2, 3, 3, 3]
   ...: y_pred = [1, 1, 3, 3, 2]
   ...: labels =[1,3,2]
   ...: target_names = ['labels_1','labels_2','labels_3','labels-4']
   ...: print(classification_report(y_true,y_pred,labels=labels,target_names= t
   ...: arget_names,digits=3))
   ...:
             precision    recall  f1-score   support

   labels_1      0.500     1.000     0.667         1
   labels_2      1.000     0.667     0.800         3
   labels_3      0.000     0.000     0.000         1

avg / total      0.700     0.600     0.613         5

最后一行结果：等于各指标的加权平均值
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