标签：F1 pred average score 平均 print true sklearn

混淆矩阵

混淆矩阵见：我的博客

准确率

import numpy as np
from sklearn.metrics import accuracy_score

y_pred = [0, 2, 1, 3]
y_true = [0, 1, 2, 3]
print(accuracy_score(y_true, y_pred))  
print(accuracy_score(y_true, y_pred, normalize=False))  

# 在具有二元标签指示符的多标签分类案例中
print(accuracy_score(np.array([[0, 1], [1, 1]]), np.ones((2, 2))))  

精准率

实际为正样本占被预测为正的样本的比例

y_true = [0, 1, 2, 0, 1, 2]
y_pred = [0, 2, 1, 0, 0, 1]

from sklearn.metrics import precision_score

print(precision_score(y_true, y_pred, average='macro'))  
print(precision_score(y_true, y_pred, average='micro')) 
print(precision_score(y_true, y_pred, average='weighted')) 
print(precision_score(y_true, y_pred, average=None))    

召回率

from sklearn.metrics import recall_score

print(recall_score(y_true, y_pred, average='macro'))
print(recall_score(y_true, y_pred, average='micro')) 
print(recall_score(y_true, y_pred, average='weighted'))  
print(recall_score(y_true, y_pred, average=None))  

F1

from sklearn.metrics import f1_score

print(f1_score(y_true, y_pred, average='macro')) 
print(f1_score(y_true, y_pred, average='micro')) 
print(f1_score(y_true, y_pred, average='weighted'))  
print(f1_score(y_true, y_pred, average=None))  

Macro Average & Micro Average

• Macro Average

宏平均是指在计算均值时使每个类别具有相同的权重，最后结果是每个类别的指标的算术平均值。

• Micro Average

微平均是指计算多分类指标时赋予所有类别的每个样本相同的权重，将所有样本合在一起计算各个指标。

1. 如果每个类别的样本数量差不多，那么宏平均和微平均没有太大差异
2. 如果每个类别的样本数量差异很大，那么注重样本量多的类时使用微平均，注重样本量少的类时使用宏平均
3. 如果微平均大大低于宏平均，那么检查样本量多的类来确定指标表现差的原因
4. 如果宏平均大大低于微平均，那么检查样本量少的类来确定指标表现差的原因

参考：参考博客

标签：F1,pred,average,score,平均,print,true,sklearn
来源： https://blog.csdn.net/qq_36895331/article/details/117413904

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。