sklearn.metrics.precision_score¶
sklearn.metrics.precision_score(y_true, y_pred, *, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn')
计算精度
精度是比率tp /（tp + fp），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。
最佳值为1，最差值为0。
在用户指南中阅读更多内容。
| 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。 |
| labels | list, optional 当average！='binary'时要包括的一组标签，如果average是None，则为标签的顺序。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。 在版本0.17中进行了更改：针对多类问题改进了参数标签。 |
| pos_label | str or int, 1 by default 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|‘binary’ (default)| ‘micro’| ‘macro’| ‘samples’|‘weighted’] 对于多类/多标签目标，此参数是必需的。如果为None，则返回每个班级的分数。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）。 |
| sample_weight | array-like of shape (n_samples,), default=None 样本权重。 |
| zero_division | “warn”, 0 or 1, default=”warn” 设置零分频时返回的值。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] 二进制分类中正类的精度，或者多类任务的每个类的精度的加权平均值。 |
注
当真正例+假正例==0时，精度返回0并引发UndefinedMetricWarning。可以使用zero_division修改此行为。
示例
>>> from sklearn.metrics import precision_score
>>> y_true = [0, 1, 2, 0, 1, 2]
>>> y_pred = [0, 2, 1, 0, 0, 1]
>>> precision_score(y_true, y_pred, average='macro')
0.22...
>>> precision_score(y_true, y_pred, average='micro')
0.33...
>>> precision_score(y_true, y_pred, average='weighted')
0.22...
>>> precision_score(y_true, y_pred, average=None)
array([0.66..., 0. , 0. ])
>>> y_pred = [0, 0, 0, 0, 0, 0]
>>> precision_score(y_true, y_pred, average=None)
array([0.33..., 0. , 0. ])
>>> precision_score(y_true, y_pred, average=None, zero_division=1)
array([0.33..., 1. , 1. ])
