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')[source]#

生成显示主要分类指标的文本报告。

在用户指南中阅读更多信息。

参数:

y_true1d array-like, 或标签指示器数组/稀疏矩阵: 真实（正确）的目标值。
y_pred1d array-like, 或标签指示器数组/稀疏矩阵: 分类器返回的估计目标。
labels形状为 (n_labels,) 的 array-like, 默认=None: 报告中可选包含的标签索引列表。
target_names形状为 (n_labels,) 的 array-like, 默认=None: 与标签匹配的可选显示名称（顺序相同）。
sample_weight形状为 (n_samples,) 的 array-like, 默认=None: 样本权重。
digitsint, 默认=2: 格式化输出浮点值的位数。当 output_dict 为 True 时，此参数将被忽略，返回的值将不会被四舍五入。
output_dictbool, 默认=False: 如果为 True，则以字典形式返回输出。

0.20 版本新增。
zero_division{“warn”, 0.0, 1.0, np.nan}, 默认=”warn”: 设置发生零除时返回的值。如果设置为“warn”，则其作用为 0，但也会引发警告。

1.3 版本新增: 添加了 np.nan 选项。

返回:

reportstr 或 dict

各类别精确度、召回率、F1 分数的文本摘要。如果 output_dict 为 True，则返回字典。字典结构如下

{'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平均（对每个标签的未加权平均值进行平均）、加权平均（对每个标签的支持加权平均值进行平均）和样本平均（仅适用于多标签分类）。微平均（对总真阳性、假阴性和假阳性进行平均）仅在多标签或多类别（包含类别子集）的情况下显示，因为否则它对应于准确率，并且对所有指标都相同。另请参阅 precision_recall_fscore_support 以获取有关平均值的更多详细信息。

请注意，在二分类中，正类别的召回率也称为“敏感度”；负类别的召回率则为“特异度”。

另请参阅

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

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

示例图库#

使用特征脸和 SVMs 进行人脸识别的示例

classification_report#

示例图库#

本页