Sklearn对多分类的每个类别进行指标评(P R)

Sklearn中的召回度和精准度函数

　　在上一篇博文中已经介绍过了精准度和召回度的定义，以及该如何利用混淆矩阵来进行计算。这一章节将会利用sklearn的包来直接计算出分类（多分类和二分类）的召回度和精准度。主要是采用sklearn.metrics中的classification_report, precision_score, confusion_matrix, recall_score这几个包。

 precision_score：精准度

from sklearn.metrics import precision_score y_true = [1, 1, 0, 1, 0, 1, 0, 1, 1, 0, 0, 0] y_pre = [1, 0, 1, 0, 1, 1, 1, 1, 0, 0, 1, 0] precision_score(y_true, y_pre)

0.42857142857142855

 recall_score：召回度

from sklearn.metrics import recall_score y_true = [1, 1, 0, 1, 0, 1, 0, 1, 1, 0, 0, 0] y_pre = [1, 1, 1, 0, 1, 1, 1, 1, 0, 0, 1, 0] recall_score(y_true, y_pre)

0.6666666666666666

confusion_matrix：混淆矩阵

from sklearn.metrics import confusion_matrix y_true = [1, 1, 0, 1, 0, 1, 0, 1, 1, 0, 0, 0] y_pre = [1, 1, 1, 0, 1, 1, 1, 1, 0, 0, 1, 0] confusion_matrix(y_true, y_pre)

array([[2, 4], [2, 4]])

　　注意以上的三个函数，都是真实值arrary在第一个参数，预测值arrary在第二个参数。其中混淆矩阵没有行和列名，第一个参数表示的是行标，第二个参数表示的是列标，顺序是从小到大，字母的话就是字典序从小到大，这个例子中行名是真实值，列名是预测值。

		预测值
		0	1
真实值	0	2	4
	1	2	4

　　以上的三种函数例子都是以二分类为例子的，下面将介绍多分类的情况，多分类的情况我非常推荐classification_report这个包，因为这个包可以非常好的展现出每一类单独的PR(精度和召回)，而且也有平均之后(macro, weighted)的结果（具体的含义可以看看参考链接中的博文）。

classification_report：分类报告

from sklearn.metrics import classification_report y_true = [1, 2, 1, 1, 2, 0, 0, 2, 1, 1, 0, 2, 1, 2, 0, 1, 1, 2, 2, 1, 0] y_pre = [1, 1, 1, 0, 1, 1, 1, 1, 0, 0, 1, 0, 1, 0, 1, 2, 2, 1, 0, 0, 0] print(classification_report(y_true, y_pre, labels=[0,1,2]))

              precision    recall  f1-score support 0 0.12      0.20      0.15         5
           1       0.27      0.33      0.30         9
           2       0.00      0.00      0.00         7 accuracy 0.19        21 macro avg 0.13      0.18      0.15        21 weighted avg 0.15      0.19      0.17        21

　　其实这种方法，也可以对字符串的分类来展示。

from sklearn.metrics import classification_report y_true = ['少', '中', '少', '少', '中', '多', '多', '中', '少', '少', '多', '中', '少', '中', '多', '少', '少', '中', '中', '少', '多'] y_pre = ['少', '少', '少', '多', '少', '少', '少', '少', '多', '多', '少', '多', '少', '多', '少', '中', '中', '少', '多', '多', '多'] print(classification_report(y_true, y_pre, labels=['多','少','中']))

                precision    recall  f1-score support 多 0.12      0.20      0.15         5 少 0.27      0.33      0.30         9 中 0.00      0.00      0.00         7 accuracy 0.19        21 macro avg 0.13      0.18      0.15        21 weighted avg 0.15      0.19      0.17        21

　　注意到使用这个函数的时候，参数labels非常重要，最好要赋值，虽然是可选参数，但是如果不给值，但最后的结果表格会比较难理解。

 

参考网址：

https://www.cnblogs.com/zhangxianrong/p/14884257.html