sklearn中，二分类的precision_score, recall_recore,f1_score

想念@思恋

于 2021-01-14 14:17:43 发布

阅读量3.8k

点赞数 3

CC 4.0 BY-SA版权

分类专栏： python编程

本文链接：https://blog.youkuaiyun.com/tailonh/article/details/112605018

python编程专栏收录该内容

139 篇文章

订阅专栏

本文详细介绍了精确率（Precision）、准确率（Accuracy）、召回率（Recall）和F1分数（F1 Score），并结合混淆矩阵，针对二分类问题展示了如何在Python中使用sklearn库进行计算。重点讲解了标签设定和不同指标的计算公式。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

precision_score：精确率，查准率
$P=\frac{TP}{TP+FP}$

#	假设二分类标签为1，2
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
precision_score(y_true, y_pred, average="binary", pos_label=1)
# pos_label设置为1，代表标签为1的样本是正例，标签为2的样本是负例。

accuracy_score：准确率
$Acc=\frac{TP+TN}{TP+FP+TN+FN}$

#	假设二分类标签为1，2
accuracy_score(y_true, y_pred)

recall_score：召回率，查全率
$R=\frac{TP}{TP+FN}$

#	假设二分类标签为1，2
recall_score(y_true, y_pred, average="binary", pos_label=1)

f1_score: F1值
$F1=\frac{2*P*R}{P+R}$

#	假设二分类标签为1，2
f1_score(y_true, y_pred, average="binary", pos_label=1)

附：二分类的混淆矩阵

真实情况	预测结果
真实情况	正例	反例
正例	TP（真正例）	FN（假反例）
反例	FP（假正例）	TN（真反例）