sklearn.metrics 中的 classification_report 以及 精度和召回率

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

———————–讲讲自己的理解———————–

精度和召回率的分母部分的研究对象是不同的

精度关注于所有被预测为阳性的样本中究竟有多少是阳性的，而召回率关注于所有真实为阳性的样本有多少被准确预测出来了。

精度和召回率是相互矛盾的，一个上升另外一个就会下降。比如我全部预测样本为阳性，那么精度就会降的很低，而召回率达到100%。如果我全部预测为阴性，那么精度为100%（0/0），召回率降得很低。所以才会有F指数来综合上述两个指标。

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

            </div>