召回率#
- sklearn.metrics.recall_score(y_true, y_pred, *, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn')[來源]#
計算召回率。
召回率是
tp / (tp + fn)的比率，其中tp是真陽性的數量，而fn是假陰性的數量。召回率直觀地表示分類器找到所有正樣本的能力。最佳值為 1，最差值為 0。
除了
binary目標之外的支援，是通過將 多類別 (multiclass) 和 多標籤 (multilabel) 資料視為一組二元問題，每個標籤一個來實現的。對於二元 (binary)情況，設定average='binary'將返回pos_label的召回率。如果average不是'binary'，則會忽略pos_label，並計算兩個類別的召回率，然後取平均值或兩者都返回 (當average=None時)。同樣地，對於 多類別 (multiclass) 和 多標籤 (multilabel) 目標，所有labels的召回率會根據average參數返回或取平均值。使用labels來指定要計算召回率的標籤集合。請在 使用者指南 中閱讀更多內容。
- 參數：
- y_true1 維類陣列，或標籤指示器陣列 / 稀疏矩陣
真實（正確）目標值。
- y_pred1 維類陣列，或標籤指示器陣列 / 稀疏矩陣
分類器返回的估計目標。
- labels類陣列，預設值為 None
當
average != 'binary'時要包含的標籤集合，以及如果average is None時它們的順序。可以排除資料中存在的標籤，例如在多類別分類中排除「負類別」。可以包含資料中不存在的標籤，並且將「分配」0 個樣本。對於多標籤目標，標籤是欄索引。預設情況下，會使用y_true和y_pred中所有已排序的標籤。在版本 0.17 中變更：針對多類別問題改進了參數
labels。- pos_labelint、float、bool 或 str，預設值為 1
如果
average='binary'且資料為二元資料時要報告的類別，否則此參數將被忽略。對於多類別或多標籤目標，設定labels=[pos_label]且average != 'binary'以僅報告一個標籤的指標。- average{‘micro’、‘macro’、‘samples’、‘weighted’、‘binary’} 或 None，預設值為 ‘binary’
此參數對於多類別/多標籤目標是必要的。如果為
None，則會返回每個類別的指標。否則，它會決定對資料執行的平均類型‘binary’:僅報告
pos_label指定的類別的結果。這僅適用於目標 (y_{true,pred}) 為二元的情況。‘micro’:通過計算總真陽性、假陰性和假陽性來全域計算指標。
‘macro’:計算每個標籤的指標，並找出它們的未加權平均值。這不會考慮標籤不平衡的問題。
‘weighted’:計算每個標籤的指標，並找出它們的平均值，該平均值會根據支援（每個標籤的真實實例數）進行加權。這會更改「macro」以考慮標籤不平衡；它可能會導致 F 分數不在精確度和召回率之間。加權召回率等於準確度。
‘samples’:計算每個實例的指標，並找出它們的平均值（僅對於多標籤分類有意義，在此情況下，它與
accuracy_score不同）。
- sample_weight形狀為 (n_samples,) 的類陣列，預設值為 None
樣本權重。
- zero_division{“warn”、0.0、1.0、np.nan}，預設值為 “warn”
設定當出現零除法時要返回的值。
注意事項
如果設定為 “warn”，則其作用類似於 0，但也會引發警告。
如果設定為
np.nan，則會將這些值從平均值中排除。
在版本 1.3 中新增：新增了
np.nan選項。
- 返回：
- recallfloat（如果 average 不是 None）或形狀為 (n_unique_labels,) 的浮點數陣列
二元分類中正類的召回率，或多類別任務中每個類別的召回率的加權平均值。
另請參閱
精確度、召回率、F 分數支援 (precision_recall_fscore_support)計算每個類別的精確度、召回率、F 度量和支援。
精確度 (precision_score)計算
tp / (tp + fp)的比率，其中tp是真正例的數量，而fp是假正例的數量。平衡準確率 (balanced_accuracy_score)計算平衡準確度以處理不平衡的資料集。
多標籤混淆矩陣 (multilabel_confusion_matrix)計算每個類別或樣本的混淆矩陣。
PrecisionRecallDisplay.from_estimator繪製給定估算器和一些資料的精確度-召回率曲線。
PrecisionRecallDisplay.from_predictions繪製給定二元類別預測的精確度-召回率曲線。
注意事項
當
真正例 + 假負例 == 0時，召回率會回傳 0 並引發UndefinedMetricWarning。此行為可以使用zero_division進行修改。範例
>>> import numpy as np >>> from sklearn.metrics import recall_score >>> y_true = [0, 1, 2, 0, 1, 2] >>> y_pred = [0, 2, 1, 0, 0, 1] >>> recall_score(y_true, y_pred, average='macro') 0.33... >>> recall_score(y_true, y_pred, average='micro') 0.33... >>> recall_score(y_true, y_pred, average='weighted') 0.33... >>> recall_score(y_true, y_pred, average=None) array([1., 0., 0.]) >>> y_true = [0, 0, 0, 0, 0, 0] >>> recall_score(y_true, y_pred, average=None) array([0.5, 0. , 0. ]) >>> recall_score(y_true, y_pred, average=None, zero_division=1) array([0.5, 1. , 1. ]) >>> recall_score(y_true, y_pred, average=None, zero_division=np.nan) array([0.5, 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]] >>> recall_score(y_true, y_pred, average=None) array([1. , 1. , 0.5])
