classification_report#

sklearn.metrics.classification_report(y_true, y_pred, *, labels=None, target_names=None, sample_weight=None, digits=2, output_dict=False, zero_division='warn')[來源]#

建立一個文字報告，顯示主要的分類指標。

請參閱使用者指南以瞭解更多資訊。

參數:

y_true一維類陣列，或標籤指示器陣列/稀疏矩陣: 真實（正確）的目標值。
y_pred一維類陣列，或標籤指示器陣列/稀疏矩陣: 分類器返回的預估目標。
labels類陣列，形狀為 (n_labels,)，預設為 None: 可選的標籤索引列表，將包含在報告中。
target_names類陣列，形狀為 (n_labels,)，預設為 None: 與標籤匹配的可選顯示名稱（順序相同）。
sample_weight類陣列，形狀為 (n_samples,)，預設為 None: 樣本權重。
digitsint，預設為 2: 格式化輸出浮點數值的小數位數。當 output_dict 為 True 時，此參數將被忽略，且返回的值不會被捨入。
output_dictbool，預設為 False: 如果為 True，則以字典形式返回輸出。

在版本 0.20 中新增。
zero_division{“warn”, 0.0, 1.0, np.nan}，預設為 “warn”: 設定當出現零除法時返回的值。如果設定為 “warn”，則行為如同 0，但也會引發警告。

在 1.3 版本中新增: 增加了 np.nan 選項。

返回:

reportstr 或 dict

每個類別的精確度、召回率、F1 分數的文字摘要。如果 output_dict 為 True，則返回字典。字典的結構如下

{'label 1': {'precision':0.5,
             'recall':1.0,
             'f1-score':0.67,
             'support':1},
 'label 2': { ... },
  ...
}

報告的平均值包括巨平均 (macro average)（計算每個標籤的未加權平均值）、加權平均 (weighted average)（計算每個標籤的支援加權平均值）和樣本平均 (sample average)（僅適用於多標籤分類）。微平均 (micro average)（計算所有真正例、偽陰性和偽陽性的總和的平均值）僅針對具有子類別的多標籤或多類別顯示，因為否則它對應於準確度，且對於所有指標都相同。另請參閱 precision_recall_fscore_support 以瞭解有關平均值的更多詳細資訊。

請注意，在二元分類中，正類的召回率也稱為「靈敏度」；負類的召回率為「特異性」。

另請參閱

precision_recall_fscore_support: 計算每個類別的精確度、召回率、F 量測和支援度。
confusion_matrix: 計算混淆矩陣以評估分類的準確性。
multilabel_confusion_matrix: 計算每個類別或樣本的混淆矩陣。

範例

>>> from sklearn.metrics import classification_report
>>> y_true = [0, 1, 2, 2, 2]
>>> y_pred = [0, 0, 2, 2, 1]
>>> target_names = ['class 0', 'class 1', 'class 2']
>>> print(classification_report(y_true, y_pred, target_names=target_names))
              precision    recall  f1-score   support

     class 0       0.50      1.00      0.67         1
     class 1       0.00      0.00      0.00         1
     class 2       1.00      0.67      0.80         3

    accuracy                           0.60         5
   macro avg       0.50      0.56      0.49         5
weighted avg       0.70      0.60      0.61         5

>>> y_pred = [1, 1, 0]
>>> y_true = [1, 1, 1]
>>> print(classification_report(y_true, y_pred, labels=[1, 2, 3]))
              precision    recall  f1-score   support

           1       1.00      0.67      0.80         3
           2       0.00      0.00      0.00         0
           3       0.00      0.00      0.00         0

   micro avg       1.00      0.67      0.80         3
   macro avg       0.33      0.22      0.27         3
weighted avg       1.00      0.67      0.80         3