平均精确率得分#
- sklearn.metrics.average_precision_score(y_true, y_score, *, average='macro', pos_label=1, sample_weight=None)[source]#
根据预测分数计算平均精确率 (AP)。
AP 将精确率-召回率曲线总结为在每个阈值上达到的精确率的加权平均值，其中前一个阈值的召回率增加用作权重。
\[\text{AP} = \sum_n (R_n - R_{n-1}) P_n\]其中\(P_n\)和\(R_n\)分别代表第n个阈值下的精确率和召回率[1]。此实现未进行插值，与使用梯形法则计算精确率-召回率曲线下面积不同，梯形法则使用线性插值，可能过于乐观。
更多信息请参见用户指南。
- 参数:
- y_truearray-like，形状为 (n_samples,) 或 (n_samples, n_classes)
真实的二元标签或二元标签指示器。
- y_scorearray-like，形状为 (n_samples,) 或 (n_samples, n_classes)
目标分数，可以是正类的概率估计、置信度值或非阈值化决策度量（某些分类器上的decision_function返回）。
- average{'micro', 'samples', 'weighted', 'macro'} 或 None，默认为 'macro'
如果为
None，则返回每个类的分数。否则，这将确定对数据执行的平均类型。'micro':通过将标签指示矩阵的每个元素视为一个标签来全局计算指标。
'macro':计算每个标签的指标，并找到它们的未加权平均值。这不会考虑标签不平衡。
'weighted':计算每个标签的指标，并找到它们的平均值，并根据支持度（每个标签的真实实例数）进行加权。
'samples':计算每个实例的指标，并找到它们的平均值。
当
y_true为二元时将被忽略。- pos_labelint、float、bool 或 str，默认为 1
正类的标签。仅应用于二元
y_true。对于多标签指示器y_true，pos_label固定为 1。- sample_weightarray-like，形状为 (n_samples,)，默认为 None
样本权重。
- 返回:
- average_precisionfloat
平均精确率分数。
参见
ROC曲线下面积得分计算ROC曲线下面积。
precision_recall_curve为不同的概率阈值计算精确率-召回率对。
备注
0.19版本中的更改：不再进行线性插值，而是根据自上次工作点以来召回率的变化对精确率进行加权。
参考文献
示例
>>> import numpy as np >>> from sklearn.metrics import average_precision_score >>> y_true = np.array([0, 0, 1, 1]) >>> y_scores = np.array([0.1, 0.4, 0.35, 0.8]) >>> average_precision_score(y_true, y_scores) np.float64(0.83...) >>> y_true = np.array([0, 0, 1, 1, 2, 2]) >>> y_scores = np.array([ ... [0.7, 0.2, 0.1], ... [0.4, 0.3, 0.3], ... [0.1, 0.8, 0.1], ... [0.2, 0.3, 0.5], ... [0.4, 0.4, 0.2], ... [0.1, 0.2, 0.7], ... ]) >>> average_precision_score(y_true, y_scores) np.float64(0.77...)
