使用說明
參數
sklearn.metrics.classification_report(y_true, y_pred, labels=None, target_names=None, sample_weight=None, digits=2, output_dict=False)
y_true：1 維數組，真實數據的分類標簽y_pred：1 維數組，模型預測的分類標簽labels：列表，需要評估的標簽名稱target_names：列表，指定標簽名稱sample_weight：1 維數組，不同數據點在評估結果中所占的權重digits：評估報告中小數點的保留位數，如果output_dict=True，此參數不起作用，返回的數值不作處理output_dict：若真，評估結果以字典形式返回
返回
字符串或字典。
每個分類標簽的精確度，召回率和 F1-score。
- 精確度：precision，正確預測為正的，占全部預測為正的比例，TP / (TP+FP)
- 召回率：recall，正確預測為正的，占全部實際為正的比例，TP / (TP+FN)
- F1-score：精確率和召回率的調和平均數，2 * precision*recall / (precision+recall)
同時還會給出總體的微平均值，宏平均值和加權平均值。
- 微平均值：micro average，所有數據結果的平均值
- 宏平均值：macro average，所有標簽結果的平均值
- 加權平均值：weighted average，所有標簽結果的加權平均值
在二分類場景中，正標簽的召回率稱為敏感度（sensitivity），負標簽的召回率稱為特異性（specificity）。
鳶尾花數據集的隨機森林結果評估
from sklearn.datasets import load_iris from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import classification_report from sklearn.model_selection import train_test_split # 鳶尾花數據集 iris = load_iris() X = iris.data y = iris.target # [0, 1, 2] 標簽轉換為名稱 ['setosa' 'versicolor' 'virginica'] y_labels = iris.target_names[y] # 數據集拆分為訓練集與測試集 X_train, X_test, y_train, y_test = train_test_split(X, y_labels, test_size=0.2) # 使用訓練集訓練模型 clf = RandomForestClassifier(n_estimators=100) clf.fit(X_train, y_train) # 使用測試集預測結果 y_pred = clf.predict(X_test) # 生成文本型分類報告 print(classification_report(y_test, y_pred)) """ precision recall f1-score support setosa 1.00 1.00 1.00 10 versicolor 0.83 1.00 0.91 10 virginica 1.00 0.80 0.89 10 micro avg 0.93 0.93 0.93 30 macro avg 0.94 0.93 0.93 30 weighted avg 0.94 0.93 0.93 30 """ # 生成字典型分類報告 report = classification_report(y_test, y_pred, output_dict=True) for key, value in report["setosa"].items(): print(f"{key:10s}:{value:10.2f}") """ precision : 1.00 recall : 1.00 f1-score : 1.00 support : 10.00 """ Reference
作者：難道就靠講究人情世故
鏈接：https://www.jianshu.com/p/2a5722d81591
來源：簡書
簡書著作權歸作者所有，任何形式的轉載都請聯系作者獲得授權並注明出處。