sklearn(七)計算多分類任務中每個類別precision、recall、f1的整合函式precision_recall_fscore_support()

凝眸伏筆發表於2020-12-01
函式

1.precision_recall_fscore_support()使用介紹：

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')

輸入引數：

引數同recall()函式用法

輸出：

precision：average為none時，返回一個array， shape = [n_unique_labels]，如果average不為none時，返回一個float。

recall：同上

fbeta_score：同上

support：同上

The number of occurrences of each label in y_true.

2.例子：

#average=None,取出每一類的P,R,F1值
p_class, r_class, f_class, support_micro=precision_recall_fscore_support(
                y_true=y_true, y_pred=y_pred, labels=[1, 2, 3, 4], average=None)
print('各類單獨F1:',f_class)
print('各類F1取平均：',f_class.mean())
#>>>各類單獨F1: [ 0.75        0.66666667  0.5         0.5       ]
#>>>各類F1取平均： 0.604166666667
 
#注意這裡，輸出《巨集F》
print(f1_score(y_true,y_pred,labels=[1,2,3,4],average='macro'))
#>>>0.604166666667

 

參考：

1.官方文件：https://scikit-learn.org/stable/modules/generated/sklearn.metrics.precision_recall_fscore_support.html?highlight=precision_recall_fscore_support

2.例子：https://blog.csdn.net/lyb3b3b/article/details/84819931

 

相關文章