recall_score#
- sklearn.metrics.recall_score(y_true, y_pred, *, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn')[源代码]#
计算召回率。
召回率是
tp / (tp + fn)的比率，其中tp是真阳性数量，fn是假阴性数量。召回率直观上表示分类器找到所有正样本的能力。最佳值为 1，最差值为 0。
对于超越
binary目标的召回率支持，是通过将 多类别 和 多标签 数据视为二分类问题的集合（每个标签一个问题）来实现的。对于 二分类 情况，设置average='binary'将返回pos_label的召回率。如果average不是'binary'，则忽略pos_label，并计算两个类别的召回率，然后取平均值或返回两者（当average=None时）。类似地，对于 多类别 和 多标签 目标，所有labels的召回率将根据average参数返回或取平均值。使用labels指定要计算召回率的标签集合。在用户指南中阅读更多信息。
- 参数:
- y_true1D 数组或类数组对象，或标签指示器数组/稀疏矩阵
真实（正确）的目标值。
- y_pred1D 数组或类数组对象，或标签指示器数组/稀疏矩阵
分类器返回的估计目标值。
- labels数组或类数组对象，默认值=None
当
average != 'binary'时要包含的标签集合，如果average is None，则表示它们的顺序。数据中存在的标签可以被排除，例如在多类别分类中排除“负类别”。数据中不存在的标签可以被包含，并被“分配”0个样本。对于多标签目标，标签是列索引。默认情况下，y_true和y_pred中的所有标签都按排序顺序使用。0.17 版本中有所更改: 参数
labels在多类别问题中得到改进。- pos_label整型、浮点型、布尔型或字符串，默认值=1
如果
average='binary'且数据为二分类，则报告此类别；否则，此参数将被忽略。对于多类别或多标签目标，设置labels=[pos_label]和average != 'binary'以仅报告一个标签的指标。- average{‘micro’, ‘macro’, ‘samples’, ‘weighted’, ‘binary’} 或 None，默认值=’binary’
此参数对于多类别/多标签目标是必需的。如果为
None，则返回每个类别的指标。否则，此参数决定对数据执行的平均类型：'binary':仅报告由
pos_label指定的类别的结果。这仅适用于目标（y_{true,pred}）为二分类的情况。'micro':通过计算总的真阳性、假阴性和假阳性来全局计算指标。
'macro':计算每个标签的指标，并找到它们的未加权平均值。这不考虑标签不平衡。
'weighted':计算每个标签的指标，并找到按支持（每个标签的真实实例数）加权的平均值。这会改变“macro”以考虑标签不平衡；它可能导致 F 分数不在精确率和召回率之间。加权召回率等于准确率。
'samples':计算每个实例的指标，并找到它们的平均值（仅对多标签分类有意义，因为这与
accuracy_score不同）。
- sample_weight形状为 (n_samples,) 的数组或类数组对象，默认值=None
样本权重。
- zero_division{“warn”, 0.0, 1.0, np.nan}，默认值=”warn”
设置当出现零除情况时返回的值。
注释
如果设置为“warn”，则其行为类似于 0，但也会引发警告。
如果设置为
np.nan，这些值将从平均值中排除。
1.3 版本新增: 添加了
np.nan选项。
- 返回:
- recall浮点数（如果 average 不是 None）或形状为 (n_unique_labels,) 的浮点数数组
二分类中正类别的召回率，或多类别任务中每个类别召回率的加权平均值。
另请参阅
precision_recall_fscore_support计算每个类别的精确率、召回率、F-measure 和支持度。
precision_score计算比率
tp / (tp + fp)，其中tp是真阳性数量，fp是假阳性数量。balanced_accuracy_score计算平衡准确率以处理不平衡数据集。
multilabel_confusion_matrix计算每个类别或样本的混淆矩阵。
PrecisionRecallDisplay.from_estimator给定估计器和一些数据，绘制精确率-召回率曲线。
PrecisionRecallDisplay.from_predictions给定二分类预测，绘制精确率-召回率曲线。
注释
当
true positive + false negative == 0时，召回率返回 0 并引发UndefinedMetricWarning警告。此行为可以通过zero_division进行修改。示例
>>> import numpy as np >>> from sklearn.metrics import recall_score >>> y_true = [0, 1, 2, 0, 1, 2] >>> y_pred = [0, 2, 1, 0, 0, 1] >>> recall_score(y_true, y_pred, average='macro') 0.33 >>> recall_score(y_true, y_pred, average='micro') 0.33 >>> recall_score(y_true, y_pred, average='weighted') 0.33 >>> recall_score(y_true, y_pred, average=None) array([1., 0., 0.]) >>> y_true = [0, 0, 0, 0, 0, 0] >>> recall_score(y_true, y_pred, average=None) array([0.5, 0. , 0. ]) >>> recall_score(y_true, y_pred, average=None, zero_division=1) array([0.5, 1. , 1. ]) >>> recall_score(y_true, y_pred, average=None, zero_division=np.nan) array([0.5, 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]] >>> recall_score(y_true, y_pred, average=None) array([1. , 1. , 0.5])
