Sklearn對多分類的每個類別進行指標評(P R)

Sklearn中的召回度和精准度函數

　　在上一篇博文中已經介紹過了精准度和召回度的定義，以及該如何利用混淆矩陣來進行計算。這一章節將會利用sklearn的包來直接計算出分類（多分類和二分類）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這幾個包。

 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：混淆矩陣

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]])

　　注意以上的三個函數，都是真實值arrary在第一個參數，預測值arrary在第二個參數。其中混淆矩陣沒有行和列名，第一個參數表示的是行標，第二個參數表示的是列標，順序是從小到大，字母的話就是字典序從小到大，這個例子中行名是真實值，列名是預測值。

		預測值
		0	1
真實值	0	2	4
	1	2	4

　　以上的三種函數例子都是以二分類為例子的，下面將介紹多分類的情況，多分類的情況我非常推薦classification_report這個包，因為這個包可以非常好的展現出每一類單獨的PR(精度和召回)，而且也有平均之后(macro, weighted)的結果（具體的含義可以看看參考鏈接中的博文）。

classification_report：分類報告

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

　　其實這種方法，也可以對字符串的分類來展示。

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

　　注意到使用這個函數的時候，參數labels非常重要，最好要賦值，雖然是可選參數，但是如果不給值，但最后的結果表格會比較難理解。

 

參考網址：

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