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]#

计算精确率（precision）。

精确率是 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。精确率直观地衡量了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。

对超出术语：binary 目标的支持通过将多类别（multiclass）和多标签（multilabel）数据视为二元问题集合来实现，每个标签一个二元问题。对于二元（binary）情况，设置 average='binary' 将返回 pos_label 的精确率。如果 average 不是 'binary'，则 pos_label 被忽略，计算两个类别的精确率，然后取平均值或返回两个值（当 average=None 时）。类似地，对于多类别（multiclass）和多标签（multilabel）目标，所有 labels 的精确率将根据 average 参数返回或取平均值。使用 labels 指定要计算精确率的标签集合。

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。

labelsarray-like, 默认=None

当 average != 'binary' 时要包含的标签集合，如果 average is None，则为它们的顺序。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”。数据中不存在的标签可以被包含，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，y_true 和 y_pred 中的所有标签都按排序顺序使用。

0.17 版中的更改： labels 参数针对多类别问题进行了改进。

pos_labelint, float, bool 或 str, 默认=1

当 average='binary' 且数据为二元时要报告的类别，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] 且 average != 'binary' 以仅报告一个标签的指标。

average{'micro', 'macro', 'samples', 'weighted', 'binary'} 或 None, 默认='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，这决定了对数据执行的平均类型。

'binary':

仅报告 pos_label 指定的类的结果。这仅适用于目标 (y_{true,pred}) 是二元的情况。

'micro':

通过计算真阳性、假阴性和假阳性的总数来全局计算指标。

'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，并根据支持度（每个标签的真实实例数）加权取平均值。这改变了“macro”以考虑标签不平衡；它可能导致 F-score 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_weight形状为 (n_samples,) 的 array-like, 默认=None

样本权重。

zero_division{"warn", 0.0, 1.0, np.nan}, 默认="warn"

设置当出现零除时返回的值。

注意

  • 如果设置为“warn”，则其作用类似于 0，但会引发警告。

  • 如果设置为 np.nan，这些值将从平均值中排除。

1.3 版新增： 增加了 np.nan 选项。

返回:
precisionfloat (如果 average 不是 None) 或 形状为 (n_unique_labels,) 的 float 数组

二元分类中正类别的精确率，或多类别任务中每个类别精确率的加权平均值。

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。

recall_score

计算 tp / (tp + fn) 的比率，其中 tp 是真阳性的数量，fn 是假阴性的数量。

PrecisionRecallDisplay.from_estimator

根据估计器和一些数据绘制精确率-召回率曲线。

PrecisionRecallDisplay.from_predictions

根据二元类别预测绘制精确率-召回率曲线。

multilabel_confusion_matrix

为每个类别或样本计算混淆矩阵。

注意

当 true positive + false positive == 0 时，精确率返回 0 并引发 UndefinedMetricWarning。此行为可以通过 zero_division 进行修改。

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. ])