sklearn.metrics.precision_score?
sklearn.metrics.precision_score(y_true, y_pred, *, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn')
計算精度
精度是比率tp /（tp + fp），其中tp是真正例的數目，fp是假正例的數目。從直覺上講，精度是分類器不將負例樣本標記為正例的能力。
最佳值為1，最差值為0。
在用戶指南中閱讀更多內容。
| 參數 | 說明 |
|---|---|
| y_true | 1d array-like, or label indicator array / sparse matrix 真實目標值。 |
| y_pred | 1d array-like, or label indicator array / sparse matrix 分類器返回的估計目標。 |
| labels | list, optional 當average！='binary'時要包括的一組標簽，如果average是None，則為標簽的順序。可以排除數據中存在的標簽，例如，以忽略多數否定類的方式計算多類平均值，而數據中不存在的標簽將導致宏平均值中的0成分。對于多標簽目標，標簽是列索引。 默認情況下，y_true和y_pred中的所有標簽均按排序順序使用。 在版本0.17中進行了更改：針對多類問題改進了參數標簽。 |
| pos_label | str or int, 1 by default average ='binary'且數據為二進制的報告類。如果數據是多類或多標簽的，則將被忽略； 設置labels= [pos_label]和average！='binary'將僅報告該標簽的分數。 |
| average | string, [None|‘binary’ (default)| ‘micro’| ‘macro’| ‘samples’|‘weighted’] 對于多類/多標簽目標，此參數是必需的。如果為None，則返回每個班級的分數。否則，將根據數據的平均表現確定類型： - 'binary':僅報告由pos_label指定的類的結果。僅當目標（y_ {true,pred}）為二進制時才適用。 - 'micro':通過計算真正例、假負例和假正例的總數來全局計算指標。 - 'macro':計算每個標簽的指標，并找到其未加權平均值。 沒有考慮標簽不平衡。 - 'weighted':計算每個標簽的指標，并找到它們受支持的平均權重（每個標簽的真實實例數）。這會更改‘macro’以解決標簽不平衡的問題；這可能導致F-score不在精確度和召回率之間。 - 'samples':計算每個實例的指標，并找到它們的平均值（僅對不同于 accuracy_score的多標簽分類有意義）。 |
| sample_weight | array-like of shape (n_samples,), default=None 樣本權重。 |
| zero_division | “warn”, 0 or 1, default=”warn” 設置零分頻時返回的值。如果設置為“ warn”，則該值為0，但也會發出警告。 |
| 返回值 | 說明 |
|---|---|
| precision | float (if average is not None) or array of float, shape = [n_unique_labels] 二進制分類中正類的精度，或者多類任務的每個類的精度的加權平均值。 |
注
當真正例+假正例==0時，精度返回0并引發UndefinedMetricWarning。可以使用zero_division修改此行為。
示例
>>> from sklearn.metrics import precision_score
>>> y_true = [0, 1, 2, 0, 1, 2]
>>> y_pred = [0, 2, 1, 0, 0, 1]
>>> precision_score(y_true, y_pred, average='macro')
0.22...
>>> precision_score(y_true, y_pred, average='micro')
0.33...
>>> precision_score(y_true, y_pred, average='weighted')
0.22...
>>> precision_score(y_true, y_pred, average=None)
array([0.66..., 0. , 0. ])
>>> y_pred = [0, 0, 0, 0, 0, 0]
>>> precision_score(y_true, y_pred, average=None)
array([0.33..., 0. , 0. ])
>>> precision_score(y_true, y_pred, average=None, zero_division=1)
array([0.33..., 1. , 1. ])
