sklearn 中指标计算公式

TP：正例预测正确的个数
FP：负例预测错误的个数
TN：负例预测正确的个数
FN：正例预测错误的个数

 

1.  accuracy_score(y_true,y_pred)

准确率（accuracy）是所有预测对的right/all

例子：

>>>y_pred = [0, 2, 1, 3]
>>>y_true = [0, 1, 2, 3]
>>>accuracy_score(y_true, y_pred)
0.5

2. 

precision_score(y_true,y_pred,average='macro')

recall_score(y_true,y_pred,average='macro')

f1 _score(y_true,y_pred,average='macro')

精确率（precision） 描述的是在所有预测出来的正例中有多少是真的正例。

召回率（recall） ，描述的是所有正例我能发现多少。

F1值——精确率和召回率的调和均值，只有当精确率和召回率都很高时，F1值才会高。

分别计算各个类别的TP，FP，FN，Precision ，Recall和F1-score 然后求平均，即macro precision_score， macro recall_score和macro F1-score。

，，

例子：

实际数据：1, 2, 3, 4, 5, 6, 7, 8, 9 

真实类别：A, A, A, A, B, B, B, C, C
预测类别：A, A, B, C, B, B, C, B, C

1) acc: (2+2+1)/10=0.5
2) macro precison,recall F1-score
则各个类别的真假阳阴性：

        A      B      C     总计

TP   2      2      1       5
FP   0      2      2       4
FN   2      1      1       4 

 

A类别的精确率   ： PA = 2/(2+0）= 1
A类别的召回率   ： RA = 2/(2+2）= 0.5
A类别的F1-score  ： FA = 2*(1*0.5)/(1+0.5) = 0.667

B类别的精确率   ： PB = 2/(2+2）= 0.5
B类别的召回率   ： RB = 2/(2+1）= 0.667
B类别的F1-score  ： FB = 2*(0.5*0.667)/(0.5+0.667) = 0.572

C类别的精确率  ： PC = 1/(1+2）= 0.333
C类别的召回率   ： RC = 1/(1+1）= 0.5
C类别的F1-score  ： FC = 2*(0.333*0.5）/（0.333+0.5） = 0.39976

macro precison-score = (1+0.5+0.333)/3 = 0.611
macro recall-score = (0.5+0.667+0.5)/3 = 0.556
macro F1-score = (0.667+0.572+0.39976)/3 = 0.5462