Ctrl+K

precision_score#

sklearn.metrics.precision_score(y_true, y_pred, *, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn')[源代码]#

计算精度。

精确度就是 tp / (tp + fp) 哪里 tp 是真阳性的数量， fp 假阳性的数量。准确性直观地是分类器不将阴性样本标记为阳性的能力。

最佳值是1，最差值是0。

期限外的支持：通过治疗来实现“二元”目标 multiclass 和 multilabel 数据作为二进制问题的集合，每个标签一个问题。为 binary 案例、设置 average='binary' 将返回精确度 pos_label .如果 average 不 'binary' , pos_label 被忽略，并计算两个类的精度，然后求平均值或返回两者（当 average=None ).同样对于 multiclass 和 multilabel 目标，精准度全民 labels 根据 average 参数.使用 labels 指定要计算精度的标签集。

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类数组，默认=无

何时包含的标签集 average != 'binary' ，以及它们的顺序，如果 average is None .可以排除数据中存在的标签，例如在多类分类中排除“负类”。可以包括数据中未出现的标签，并将“分配”0个样本。对于多标签目标，标签是列索引。默认情况下，所有标签 y_true 和 y_pred 按排序顺序使用。

在 0.17 版本发生变更: 参数 labels 改进了多类问题。

pos_labelint、float、bool或char，默认=1

如果需要报告的班级 average='binary' 并且数据是二进制的，否则该参数将被忽略。对于多类别或多标签目标，设置 labels=[pos_label] 和 average != 'binary' 仅报告一个标签的指标。

average“微观”、“宏观”、“样本”、“加权”、“二进制”}或无， 默认='二元'

多类/多标签目标需要此参数。如果 None ，返回每个类别的指标。否则，这将确定对数据执行的平均类型：

'binary' :

仅报告由指定的类的结果 pos_label .这仅适用于以下情况 (y_{true,pred} ）是二进制的。

'micro' :

通过计算总真阳性、假阴性和假阳性来计算全球指标。

'macro' :

计算每个标签的指标，并找到其未加权平均值。 这没有考虑标签不平衡。

'weighted' :

计算每个标签的指标，并找到按支持度加权的平均值（每个标签的真实实例数）。这会改变“宏”以解决标签失衡问题;它可能会导致F评分不在精确度和召回率之间。

'samples' :

计算每个实例的指标，并找到其平均值（仅对多标签分类有意义，因为这与多标签分类不同 accuracy_score ).

sample_weight形状类似数组（n_samples，），默认=无

样本重量。

zero_division{“warn”，0.0，1.0，NP.nan}，默认=“warn”

设置存在零除时返回的值。

注：

  • 如果设置为“警告”，则其行为类似于0，但也会引发警告。

  • 如果设置为 np.nan ，这些值将被排除在平均值之外。

Added in version 1.3: np.nan 添加了选项。

返回:
precisionfloat（如果平均值不是无）或形状的float数组 （n_unique_labels，）

二元分类中正类的精度或多类任务中每个类精度的加权平均值。

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。

recall_score

计算比率 tp / (tp + fn) 哪里 tp 是真阳性的数量， fn 假阴性的数量。

PrecisionRecallDisplay.from_estimator

给定估计器和一些数据，绘制准确率-召回率曲线。

PrecisionRecallDisplay.from_predictions

给定二进制类别预测，绘制准确率-召回率曲线。

multilabel_confusion_matrix

为每个类别或样本计算混淆矩阵。

注意到

当 true positive + false positive == 0 ，精度返回0并提高 UndefinedMetricWarning .此行为可以通过以下方式修改 zero_division .

示例

>>> import numpy as np
>>> 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.        ])
>>> precision_score(y_true, y_pred, average=None, zero_division=np.nan)
array([0.33...,        nan,        nan])

>>> # multilabel classification
>>> y_true = [[0, 0, 0], [1, 1, 1], [0, 1, 1]]
>>> y_pred = [[0, 0, 0], [1, 1, 1], [1, 1, 0]]
>>> precision_score(y_true, y_pred, average=None)
array([0.5, 1. , 1. ])
On this page