机器学习classification_report方法及precision精确率和reca。。。

机器学习classification_report⽅法及precision精确率和reca。

classification_report简介
sklearn中的classification_report函数⽤于显⽰主要分类指标的⽂本报告．在报告中显⽰每个类的精确度，召回率，F1值等信息。

主要参数:
y_true：1维数组，或标签指⽰器数组/稀疏矩阵，⽬标值。

y_pred：1维数组，或标签指⽰器数组/稀疏矩阵，分类器返回的估计值。

labels：array，shape = [n_labels]，报表中包含的标签索引的可选列表。

target_names：字符串列表，与标签匹配的可选显⽰名称（相同顺序）。

sample_weight：类似于shape = [n_samples]的数组，可选项，样本权重。

digits：int，输出浮点值的位数．
classification_report⽤法⽰例：
输出：
其中列表左边的⼀列为分类的标签名，右边support列为每个标签的出现次数．avg / total⾏为各列的均值（support列为总和）．precision recall f1-score三列分别为各个类别的精确度/召回率及 F1 F1值．
精确度/召回率/F1值
精确度＆召回率
精确度/召回率/F1值在＜统计学习⽅法＞和周志华的＜机器学习＞中都有详细介绍，以下参考维基百科中的说明：
如下图所⽰，假设有若⼲张图⽚，其中12张是狗的图⽚其余是猫的图⽚．现在利⽤程序去识别狗的图⽚，结果在识别出的8张图⽚中有5张是狗的图⽚，3张是猫的图⽚（属于误报）．
图中，实⼼⼩圆代表狗的图⽚，虚⼼⼩圆代表猫的图⽚，圆形区域代表识别结果．
则该程序的精度precision＝5/8，召回率recall＝5/12。

当⼀个搜索引擎返回30个页⾯时，只有20页是相关的，⽽没有返回40个额外的相关页⾯，其精度为20/30 = 2/3，⽽其召回率为20/60 = 1/3。

在这种情况下，精确度是“搜索结果有多⼤⽤处”，⽽召回是“结果如何完整”。

F1 F1值
F1 F1值是精确度和召回率的调和平均值：
2F1=1P+1R 2F1=1P+1R
F1=2P×RP+R F1=2P×RP+R
精确度和召回率都⾼时， F1 F1值也会⾼． F1 F1值在1时达到最佳值（完美的精确度和召回率），最差为0．在⼆元分类中， F1 F1值是测试准确度的量度。

⽰例说明：
输出：
其中
真实值预测值
00
10
22
22
21
对⽰例程序中的结果：
第⼀⾏的计算：
即0的预测情况：真实值中有1个0，预测值中有2个0，其中1个预测正确，1个预测错误．如图所⽰：则，
P=12=0.5 P=12=0.5
R=11=1 R=11=1
F1=212×112+1=0.67 F1=212×112+1=0.67
第⼆⾏的计算：
即1的预测情况：真实值中有1个1，预测值中有1个1，且预测错误．如图所⽰：
则，
P=01=0 P=01=0
R=01=0 R=01=0
F1=0 F1=0
第三⾏的计算：
即2的预测情况：真实值中有3个2，预测值中有2个2，且预测正确．如图所⽰：
则，
P=22=1 P=22=1
R=23=0.67 R=23=0.67
F1=21×231+23+=0.8。