sklearn.metrics.recall_score¶
sklearn.metrics.recall_score(y_true, y_pred, *, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn')
计算召回率
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，召回率是分类器找到所有正例样本的能力。
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。 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，则返回每个类的得分。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度量。 - 'macro':计算每个标签的度量，并找到其未加权平均值。 这没有考虑标签不平衡。 - 'weighted':计算每个标签的度量，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':计算每个实例的度量，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 |
|---|---|
| recall | float (if average is not None) or array of float, shape = [n_unique_labels] 二进制分类中的正例类的召回率或多类别任务的每个类别的召回率加权平均。 |
另见：
注
当真正例+假负例== 0时，召回率返回0并引发UndefinedMetricWarning。可以使用zero_division修改此行为。
示例
>>> from sklearn.metrics import recall_score
>>> y_true = [0, 1, 2, 0, 1, 2]
>>> y_pred = [0, 2, 1, 0, 0, 1]
>>> recall_score(y_true, y_pred, average='macro')
0.33...
>>> recall_score(y_true, y_pred, average='micro')
0.33...
>>> recall_score(y_true, y_pred, average='weighted')
0.33...
>>> recall_score(y_true, y_pred, average=None)
array([1., 0., 0.])
>>> y_true = [0, 0, 0, 0, 0, 0]
>>> recall_score(y_true, y_pred, average=None)
array([0.5, 0. , 0. ])
>>> recall_score(y_true, y_pred, average=None, zero_division=1)
array([0.5, 1. , 1. ])
