sklearn中的函数classification_report

classification_report函数主要用于显示主要分类指标的文本报告

1.前言

在报告中显示每个类的精确度、召回率等信息（可以用来检测回归算法的准确度）。

2.classification_report()参数

详见官方文档，这里只说几个重要参数

y_true：1维数组，目标值

y_pred：1维数组，分类器返回的估计值

label：数组，报告中显示的类标签索引列表

target_names：字符串列表，当和label匹配时作为label的名称

3.classification_report()返回值

混淆矩阵(Confusion Matrix)。

解释一下两个名词

正样本：与你所要研究的目的相关

负样本：与你所要研究的目的无关

举个例子：如果你要做一间教室里的人脸识别，那么正样本就是人脸，负样本就是课桌、门窗之类的

TP(True Positive): 预测为正样本，实际为正样本（预测正确）

FP(False Positive): 预测为正样本，实际为负样本（预测错误）

FN(False Negative): 预测为负样本，实际为正样本（预测错误）

TN(True Negative): 预测为负样本，实际为负样本（预测正确）

精确度(precision)=正确预测的个数(TP)/预测为正样本的个数(TP+FP)

检索结果中，都是你认为应该为正的样本（第二个字母都是P），但是其中有你判断正确的和判断错误的（第一个字母有T ，F）。

召回率(recall)=正确预测值的个数(TP)/实际为正样本的个数(TP+FN)

检索结果中，你判断为正的样本也确实为正的，以及那些没在检索结果中被你判断为负但是事实上是正的，或者说你没预测到的（FN）。

F1值=2*精度*召回率/(精度+召回率)

不明白的话参考以下代码：

In [4]: from sklearn.metrics import classification_report
   ...: y_true = [1, 2, 3, 3, 3]
   ...: y_pred = [1, 1, 3, 3, 2]
   ...: labels =[1,3,2]
   ...: target_names = ['labels_1','labels_2','labels_3','labels-4']
   ...: print(classification_report(y_true,y_pred,labels=labels,target_names= t
   ...: arget_names,digits=3))
   ...:
              precision    recall  f1-score   support

    labels_1      0.500     1.000     0.667         1
    labels_2      1.000     0.667     0.800         3
    labels_3      0.000     0.000     0.000         1

   micro avg      0.600     0.600     0.600         5
   macro avg      0.500     0.556     0.489         5
weighted avg      0.700     0.600     0.613         5