precision_score#
- sklearn.metrics.precision_score(y_true, y_pred, *, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn')[source]#
计算精确度。
精确度（precision）是
tp / (tp + fp)的比率，其中tp是真阳性（true positives）的数量，fp是假阳性（false positives）的数量。精确度直观上表示分类器不将负样本错误地标记为正样本的能力。最佳值为 1，最差值为 0。
对于超出 二元 目标的支持，通过将 多类 和 多标签 数据视为二元问题的集合（每个标签一个问题）来实现。对于 二元 情况，设置
average='binary'将返回pos_label的精确度。如果average不是'binary'，则忽略pos_label，并计算两个类别的精确度，然后进行平均或返回两者（当average=None时）。类似地，对于 多类 和 多标签 目标，所有labels的精确度将根据average参数返回或平均。使用labels指定要计算精确度的标签集。在用户指南中阅读更多内容。
- 参数:
- y_true1d array-like, or label indicator array / sparse matrix
真实（正确）目标值。稀疏矩阵仅在目标为 多标签 类型时受支持。
- y_pred1d array-like, or label indicator array / sparse matrix
分类器返回的估计目标。稀疏矩阵仅在目标为 多标签 类型时受支持。
- labels类似数组对象, default=None
当
average != 'binary'时要包括的标签集，如果average is None，则为它们的顺序。可以排除数据中存在的标签，例如在多类分类中排除“负类”。可以包括数据中不存在的标签，这些标签将被“分配”0个样本。对于多标签目标，标签是列索引。默认情况下，按排序顺序使用y_true和y_pred中的所有标签。版本 0.17 中的变化: 针对多类问题改进了参数
labels。- pos_labelint, float, bool or str, default=1
如果
average='binary'且数据为二元，则报告的类别，否则此参数将被忽略。对于多类或多标签目标，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’} or None, default=’binary’
此参数对于多类/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，这决定了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}) 是二元的情况。'micro':通过计算总的真正例、假负例和假正例来全局计算指标。
'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，并找到按支持度（每个标签的真实实例数）加权的平均值。这会修改“宏平均”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。
'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，这与
accuracy_score不同）。
- sample_weightshape 为 (n_samples,) 的 array-like, default=None
样本权重。
- zero_division{“warn”, 0.0, 1.0, np.nan}, default=”warn”
当出现零除法时设置要返回的值。
注意事项
如果设置为“warn”，则其作用类似于 0，但也会发出警告。
如果设置为
np.nan，则此类值将被排除在平均值之外。
版本 1.3 中的新增: 添加了
np.nan选项。
- 返回:
- precisionfloat (如果 average 不是 None) 或 float 数组，形状为 (n_unique_labels,)
二元分类中正类别的精确度，或多类任务中每个类别精确度的加权平均值。
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。
recall_score计算比率
tp / (tp + fn)，其中tp是真阳性（true positives）的数量，fn是假阴性（false negatives）的数量。PrecisionRecallDisplay.from_estimator给定估计器和一些数据，绘制精确度-召回率曲线。
PrecisionRecallDisplay.from_predictions给定二元类别预测，绘制精确度-召回率曲线。
multilabel_confusion_matrix计算每个类别或样本的混淆矩阵。
注意事项
当
true positive + false positive == 0时，精确度返回 0 并引发UndefinedMetricWarning。可以使用zero_division修改此行为。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. ])
