sklearn 如何计算precision_score 指标？

Question

您好，我正在使用 sklearn，为了更好地理解指标，我遵循了以下precision_score 示例：

from sklearn.metrics import precision_score
    y_true = [0, 1, 2, 0, 1, 2]

    y_pred = [0, 2, 1, 0, 0, 1]
    print(precision_score(y_true, y_pred, average='macro'))  

我得到的结果如下：

0.222222222222

我了解 sklearn 会按照以下步骤计算结果：

• 对于标签 0，精度为 tp / (tp + fp) = 2 / (2 + 1) = 0.66
• 标签 1 的精度为 0 / (0 + 2) = 0
• 标签 2 的精度为 0 / (0 + 1) = 0

最后 sklearn 计算所有三个标签的平均精度：precision = (0.66 + 0 + 0) / 3 = 0.22

如果我们采用这个参数，就会给出这个结果：

precision_score(y_true, y_pred, average='macro')

另一方面，如果我们采用这个参数，改变 average='micro' ：

precision_score(y_true, y_pred, average='micro') 

然后我们得到：

0.33

如果我们取平均值='加权'：

precision_score(y_true, y_pred, average='weighted')

那么我们得到：

0.22.

当平均参数设置为“加权”或“微”时，我不太了解 sklearn 如何计算此指标，如果有人能给我一个清晰的解释，我真的很感激。

Answer 1

'micro':

通过将标签指标矩阵的每个元素视为一个标签来全局计算指标。

'macro':

计算每个标签的指标，并找到它们的未加权平均值。这没有考虑标签不平衡。

'weighted':

计算每个标签的指标，并找到它们的平均值，按支持度加权（每个标签的真实实例数）。

'samples':

计算每个实例的指标，并找到它们的平均值。

http://scikit-learn.org/stable/modules/generated/sklearn.metrics.average_precision_score.html

对于支持措施： http://scikit-learn.org/stable/modules/generated/sklearn.metrics.classification_report.html

基本上，班级成员资格。

3.3.2.12。接收器操作特性 (ROC)

函数 roc_curve 计算接收器操作特征曲线或 ROC 曲线。引用维基百科：

“接收器操作特征 (ROC)，或简称 ROC 曲线，是一个图形图，它说明了二元分类器系统在其区分阈值变化时的性能。它是通过在不同的阈值设置下绘制阳性中的真阳性比例（TPR = 真阳性率）与阴性中假阳性的比例（FPR = 假阳性率）来创建的。 TPR 也称为敏感性，FPR 是一减去特异性或真阴性率。”

TN / True Negative：病例为阴性且预测为阴性。

TP / True Positive：病例为阳性且预测为阳性。

FN / False Negative：病例为阳性但预测为阴性。

FP / False Positive：病例为阴性但预测为阳性#基本术语

confusion = metrics.confusion_matrix(expected, predicted)
print confusion,"\n"
TN, FP    = confusion[0, 0], confusion[0, 1]
FN, TP    = confusion[1, 0], confusion[1, 1]

print 'Specificity:        ',  round(TN / float(TN + FP),3)*100, "\n"
print 'Sensitivity:        ',  round(TP / float(TP + FN),3)*100, "(Recall)"