classification_report#

sklearn.metrics.classification_report(y_true, y_pred, *, labels=None, target_names=None, sample_weight=None, digits=2, output_dict=False, zero_division='warn')[源代码]#

构建显示主要分类指标的文本报告。

阅读更多的 User Guide .

参数:

y_true1D类数组或标签指示符数组/稀疏矩阵: 地面真相（正确）目标值。
y_pred1D类数组或标签指示符数组/稀疏矩阵: 分类器返回的估计目标。
labels形状类似数组（n_labels，），默认值=无: 要包含在报告中的标签索引的可选列表。
target_names形状类似数组（n_labels，），默认值=无: 与标签匹配的可选显示名称（相同顺序）。
sample_weight形状类似数组（n_samples，），默认=无: 样本重量。
digitsint，默认=2: 用于格式化输出浮点值的位数。当 output_dict 是 True ，这将被忽略并且返回的值不会四舍五入。
output_dict布尔，默认=假: 如果为True，则返回输出为dict。

Added in version 0.20.
zero_division{“warn”，0.0，1.0，NP.nan}，默认=“warn”: 设置存在零除时返回的值。如果设置为“warn”，则该值为0，但也会引发警告。

Added in version 1.3: np.nan 添加了选项。

返回:

report字符串或dict

每个班级的精确度、召回率、F1分数的文本摘要。如果select_dict为True，则返回字典。词典具有以下结构：：

{'label 1': {'precision':0.5,
             'recall':1.0,
             'f1-score':0.67,
             'support':1},
 'label 2': { ... },
  ...
}

报告的平均值包括宏观平均值（对每个标签的未加权平均值进行平均）、加权平均值（对每个标签的支持加权平均值进行平均）和样本平均值（仅适用于多标签分类）。微平均值（总真阳性、假阴性和假阳性的平均值）仅针对具有类别子集的多标签或多类别显示，因为它对应于其他准确性，并且对于所有指标都是相同的。另见 precision_recall_fscore_support 了解有关平均值的更多详细信息。

请注意，在二元分类中，积极类别的回忆也称为“敏感性”;消极类别的回忆称为“特异性”。

参见

precision_recall_fscore_support: 计算每个类的精确度、召回率、F-测度和支持度。
confusion_matrix: 计算混淆矩阵以评估分类的准确性。
multilabel_confusion_matrix: 为每个类别或样本计算混淆矩阵。

示例

>>> from sklearn.metrics import classification_report
>>> y_true = [0, 1, 2, 2, 2]
>>> y_pred = [0, 0, 2, 2, 1]
>>> target_names = ['class 0', 'class 1', 'class 2']
>>> print(classification_report(y_true, y_pred, target_names=target_names))
              precision    recall  f1-score   support

     class 0       0.50      1.00      0.67         1
     class 1       0.00      0.00      0.00         1
     class 2       1.00      0.67      0.80         3

    accuracy                           0.60         5
   macro avg       0.50      0.56      0.49         5
weighted avg       0.70      0.60      0.61         5

>>> y_pred = [1, 1, 0]
>>> y_true = [1, 1, 1]
>>> print(classification_report(y_true, y_pred, labels=[1, 2, 3]))
              precision    recall  f1-score   support

           1       1.00      0.67      0.80         3
           2       0.00      0.00      0.00         0
           3       0.00      0.00      0.00         0

   micro avg       1.00      0.67      0.80         3
   macro avg       0.33      0.22      0.27         3
weighted avg       1.00      0.67      0.80         3