classification_report分类报告的含义

classification_report分类报告 基础知识混淆矩阵（Confusion Matrix）TP、TN、FP、FN精度（Precision）准确率（Accuracy）召回率（Recall）F1分数（F1-score） classification_report分类报告

基础知识 混淆矩阵（Confusion Matrix）

可以看出来类别之间相互误分的情况，查看是否有特定的类别相互混淆，能够帮我们调整后续模型，比如一些类别设置权重衰减。

预测为正类别预测为负类别实际为正类别True Positive (TP)False Negative (FN)实际为负类别False Positive (FP)True Negative (TN) TP、TN、FP、FN

TP（True Positives）：预测为正类别，并且预测对了 TN（True Negatives）：预测为负类别，而且预测对了 FP（False Positives）：预测为正类别，但是预测错了 FN（False Negatives）：预测为负类别，但是预测错了

精度（Precision）

精确率表示模型预测为正类别的样本中有多少是真正的正类别。 P r e c i s i o n = T P T P + F P Precision=\frac{TP}{TP+FP} Precision=TP+FPTP​

准确率（Accuracy）

正确分类的样本占总样本数的比例。 A c c u r a c y = T P + T N T P + T N + F P + F N Accuracy=\frac{TP+TN}{TP+TN+FP+FN} Accuracy=TP+TN+FP+FNTP+TN​

召回率（Recall）

在所有实际为正类别的样本中，模型能够正确预测为正类别的比例。 R e c a l l = T P T P + F N Recall=\frac{TP}{TP+FN} Recall=TP+FNTP​ 高召回率意味着模型能够有效地捕捉到实际为正类别的样本。

与Precision的关系：负相关。

F1分数（F1-score）

F1 分数的取值范围是 [0, 1]，越接近 1 表示模型的性能越好，同时考虑到了模型在查准率和查全率之间的平衡。 F 1 = 2 × ( P r e c i s i o n × R e c a l l ) P r e c i s i o n + R e c a l l F1=\frac{2×(Precision×Recall)}{Precision+Recall} F1=Precision+Recall2×(Precision×Recall)​

classification_report分类报告

Python代码中使用“classification_report(Y_test,Y_prediction)”可以查看分类报告，其中Y_test为真实标签、Y_prediction为预测结果。

这里以一个数据量为10大小的二分类为例子，方便手算来理解一遍分类报告。

输入如下Python代码：

from sklearn.metrics import classification_report Y_test=[0, 0, 0, 0, 0, 1, 1, 1, 1, 1] Y_prediction=[0, 1, 0, 0, 0, 1, 1, 0, 0, 1] print(classification_report(Y_test,Y_prediction))

得到该10个数据的二分类的分类报告： 先画个混淆矩阵：

预测为1预测为0实际为132实际为014

给出了每类别对应的精度（Precision）、召回率（Recall）F1分数（F1-score）、真实中有多少个是该类别的（Support）、准确率（Accuracy）、宏平均（macro avg）和加权平均（weighted avg）。

Precision：预测为x的样本中，有多少被正确预测为x。 Precision_0=4/(2+4)=0.67 Precision_1=3/(3+1)=0.75

Recall：实际为x的类别中，有多少预测为x。 Recall_0=3/5=0.60 Recall_1=4/5=0.80

F1分数：2×Precision×Recall /(Precision+Recall)。

Accuracy：全部样本里被分类正确的比例。 Accuracy=7/10

macro avg：上面类别各分数的直接平均。 macro avg_precision=(0.67+0.75)/2=0.71

weighted avg：上面类别各分数的加权（权值为support）平均。 macro avg_precision=(0.675+0.755)/10=0.71