函數(shù)聲明：

precision_score(y_true, y_pred, labels=None, pos_label=1, average='binary', sample_weight=None)

其中較為常用的參數(shù)解釋如下：

y_true：真實(shí)標(biāo)簽

y_pred：預(yù)測(cè)標(biāo)簽

average：評(píng)價(jià)值的平均值的計(jì)算方式?？梢越邮誟None, 'binary' (default), 'micro', 'macro', 'samples', 'weighted']對(duì)于多類(lèi)/多標(biāo)簽目標(biāo)需要此參數(shù)。下面進(jìn)行詳細(xì)說(shuō)明：

如果是None，則返回每個(gè)類(lèi)的分?jǐn)?shù)。否則，這決定了對(duì)數(shù)據(jù)進(jìn)行平均的類(lèi)型用下面幾種統(tǒng)計(jì)方法的哪一種：

?

先說(shuō)對(duì)于'micro' ：

這兩種寫(xiě)法是等價(jià)的

print(precision_score(y_test, y_pred,average='micro'))
print(np.sum(y_test == y_pred) / len(y_test))

?

以下內(nèi)容中，P表示二分類(lèi)時(shí)精確率的計(jì)算結(jié)果??部分內(nèi)容參考

' macro '? ： 相當(dāng)于類(lèi)間不帶權(quán)重。不考慮類(lèi)別數(shù)量，不適用于類(lèi)別不均衡的數(shù)據(jù)集，其計(jì)算方式為：?各類(lèi)別的P求和/類(lèi)別數(shù)量

' weighted ' : 相當(dāng)于類(lèi)間帶權(quán)重。各類(lèi)別的P?×?該類(lèi)別的樣本數(shù)量（實(shí)際值而非預(yù)測(cè)值）/?樣本總數(shù)量

舉個(gè)例子：

如實(shí)際樣本中，0類(lèi)有98個(gè)樣本，1類(lèi)有2個(gè)樣本，3類(lèi)有100個(gè)樣本,共有3類(lèi)，樣本總數(shù)為20。

預(yù)測(cè)結(jié)果中，0類(lèi)全部預(yù)測(cè)為3類(lèi)，全部錯(cuò)誤；1類(lèi)全部預(yù)測(cè)正確；3類(lèi)全部預(yù)測(cè)為0類(lèi)，全部預(yù)測(cè)錯(cuò)誤。

則P_macro = 0 + 1 + 0 / 3 = 0.33333333

P_weighted = 0×98 + 1×2 + 0×100 / 200 = 2/200 = 0.01

?

再舉個(gè)例子：

如共有100個(gè)樣本，0類(lèi)98個(gè)，1類(lèi)2個(gè)；

預(yù)測(cè)結(jié)果為全0

則P_macro = 0.98 +?0 / 2 = 0.49

P_weighted = 98×0.98 + 0×2 / 100 = 2/200 = 0.9604

得出結(jié)論：

對(duì)于類(lèi)別不均衡的分類(lèi)模型，采用macro方式會(huì)有較大的偏差，采用weighted方式則可較好反映模型的優(yōu)劣，因?yàn)槿纛?lèi)別數(shù)量較小則存在蒙對(duì)或蒙錯(cuò)的概率，其結(jié)果不能真實(shí)反映模型優(yōu)劣，需要較大的樣本數(shù)量才可計(jì)算較為準(zhǔn)確的評(píng)價(jià)值，通過(guò)將樣本數(shù)量作為權(quán)重，可理解為評(píng)價(jià)值的置信度，數(shù)量越多，其評(píng)價(jià)值越可信。
?

官方說(shuō)明：average : string, [None, 'binary' (default), 'micro', 'macro', 'samples', \'weighted']This parameter is required for multiclass/multilabel targets.If ``None``, the scores for each class are returned. Otherwise, thisdetermines the type of averaging performed on the data:``'binary'``:Only report results for the class specified by ``pos_label``.This is applicable only if targets (``y_{true,pred}``) are binary.``'micro'``:Calculate metrics globally by counting the total true positives,false negatives and false positives.``'macro'``:Calculate metrics for each label, and find their unweightedmean. This does not take label imbalance into account.``'weighted'``:Calculate metrics for each label, and find their average weightedby support (the number of true instances for each label). Thisalters 'macro' to account for label imbalance; it can result in anF-score that is not between precision and recall.``'samples'``:Calculate metrics for each instance, and find their average (onlymeaningful for multilabel classification where this differs from:func:`accuracy_score`).

再給個(gè)鏈接給予參考：https://www.cnblogs.com/harvey888/p/6964741.html

總結(jié)

以上是生活随笔為你收集整理的【Python学习】 - sklearn学习 - 评估指标precision_score的参数说明的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。