sklearn.metrics.precision_recall_fscore_support¶
sklearn.metrics.precision_recall_fscore_support(y_true, y_pred, *, beta=1.0, labels=None, pos_label=1, average=None, warn_for=('precision', 'recall', 'f-score'), sample_weight=None, zero_division='warn')
计算每个类的精度，召回率，F量度和支持度
精度是tp /（tp + fp）的比率，其中tp是真正例的数目，fp是假正例的数目。从直觉上讲，精度是分类器不将负例样本标记为正例的能力。
召回率是tp /（tp + fn）的比率，其中tp是真正例的数目，fn是假负例的数目。直观上，召回是分类器找到所有正例样本的能力。
F-beta得分可以解释为精度和召回率的加权调和平均值，其中F-beta得分在1时达到最佳值，在0时达到最差值。
beta参数对于召回率的F-beta评分权重比对于精确度的权重高。 beta == 1.0表示召回率和精确度同等重要。
支持度是y_true中每个类的出现次数。
如果pos_label为None且采用二进制分类，则该函数将返回平均精度、召回率和F度量（如果average是'micro'，'macro'，'weighted'或'samples'之一）。
在用户指南中阅读更多内容10
| 参数 | 说明 |
|---|---|
| y_true | 1d array-like, or label indicator array / sparse matrix 真实目标值。 |
| y_pred | 1d array-like, or label indicator array / sparse matrix 分类器返回的估计目标。 |
| beta | float, 1.0 by default F-score召回与精度的强度对比。 |
| labels | list, optional 当average！='binary'时要包括的一组标签，如果average是None，则是标签的顺序。可以排除数据中存在的标签，例如，以忽略多数否定类的方式计算多类平均值，而数据中不存在的标签将导致宏平均值中的0成分。对于多标签目标，标签是列索引。默认情况下，y_true和y_pred中的所有标签均按排序顺序使用。 |
| pos_label | str or int, 1 by default 如果average ='binary'且数据为二进制的报告类。如果数据是多类或多标签的，则将被忽略；设置labels=[pos_label]和average！='binary'将仅报告该标签的分数。 |
| average | string, [None (default)| ‘binary’| ‘micro’| ‘macro’| ‘samples’|‘weighted’] 如果为None，则返回每个类的分数。否则，将根据数据的平均表现确定类型： - 'binary':仅报告由pos_label指定的类的结果。仅当目标（y_ {true，pred}）为二进制时才适用。 - 'micro':通过计算真正例、假负例和假正例的总数来全局计算指标。 - 'macro':计算每个标签的指标，并找到其未加权平均值。 没有考虑标签不平衡。 - 'weighted':计算每个标签的指标，并找到它们受支持的平均权重（每个标签的真实实例数）。这会更改‘macro’以解决标签不平衡的问题；这可能导致F-score不在精确度和召回率之间。 - 'samples':计算每个实例的指标，并找到它们的平均值（仅对不同于 accuracy_score的多标签分类有意义）。 |
| warn_for | tuple or set, for internal use 这确定了在使用此函数仅返回其指标之一的情况下将发出哪些警告。 |
| sample_weight | array-like of shape (n_samples,), default=None 样本权重。 |
| zero_division | “warn”, 0 or 1, default=”warn” 设置零分频时的返回值： - 召回：没有正例标签时 - 精度：没有正例预测时 f-score：发生以上两种情况时 如果设置为“ warn”，则该值为0，但也会发出警告。 |
| 返回值 | 说明 |
|---|---|
| precision | float (if average is not None) or array of float, shape = [n_unique_labels] |
| recall | float (if average is not None) or array of float, , shape = [n_unique_labels] |
| fbeta_score | float (if average is not None) or array of float, shape = [n_unique_labels] |
| support | None (if average is not None) or array of int, shape = [n_unique_labels] y_true中每个标签的出现次数。 |
注
当真正例+假正例== 0时，精度是不确定的；当真正例+假负例== 0时，召回率是不确定的。在这种情况下，默认情况下，度量将设置为0，f-score也将设置为0，并且将引发UndefinedMetricWarning。可以使用zero_division修改此行为。
参考
1 Wikipedia entry for the Precision and recall
2 Wikipedia entry for the F1-score
示例
>>> import numpy as np
>>> from sklearn.metrics import precision_recall_fscore_support
>>> y_true = np.array(['cat', 'dog', 'pig', 'cat', 'dog', 'pig'])
>>> y_pred = np.array(['cat', 'pig', 'dog', 'cat', 'cat', 'dog'])
>>> precision_recall_fscore_support(y_true, y_pred, average='macro')
(0.22..., 0.33..., 0.26..., None)
>>> precision_recall_fscore_support(y_true, y_pred, average='micro')
(0.33..., 0.33..., 0.33..., None)
>>> precision_recall_fscore_support(y_true, y_pred, average='weighted')
(0.22..., 0.33..., 0.26..., None)
可以计算每个标签的精度，召回率，F1得分和支持度而不是取平均值：
>>> precision_recall_fscore_support(y_true, y_pred, average=None,
... labels=['pig', 'dog', 'cat'])
(array([0. , 0. , 0.66...]),
array([0., 0., 1.]), array([0. , 0. , 0.8]),
array([2, 2, 2]))
