为什么在 Sklearn 的不同指标上有两种不同的结果

Question

当我通过 metrics.precision_score、metrics.recall_score、metrics.f1 score 分别使用 metrics.classification_report 中的（recall、precision、fi-score）和相同的 metriceses 时，它们之间有什么区别。

请有人看一下这段代码并解释一下区别

from sklearn.svm import LinearSVC
clf_svm_linear = LinearSVC(C=20.0)
clf_svm_linear.fit(X_train, y_train)
y_pred = clf_svm_linear.predict(X_test)
print ' Results on Validation data'
print metrics.classification_report(y_test, y_pred, target_names=['No Diabetes', 'Diabetes']) 
print "==================================================================="
print "The accuracy on validation dataset of Linear SVM: \t",     metrics.accuracy_score(y_test, y_pred)
print "Precision on validation dataset of Linear SVM:    \t", metrics.precision_score(y_test, y_pred)
print "Recall on validation dataset of Linear SVM :      \t", metrics.recall_score(y_test, y_pred)
print "F1 score on validation dataset of Linear SVM:     \t", metrics.f1_score(y_test, y_pred)

当运行上面的代码时，我得到了如图所示的结果 为什么当我独立打印他们的分数时，报告上的平均/总分与精度、召回率和 f1 分数不匹配。

Answer 1

precision_score 不是平均值，它是其中一类是正类（在您的情况下是糖尿病）的精确度，这就是为什么您对精确度的调用对应于糖尿病的精确度总结，同样地 - 这些家伙的回忆和 f1。对不对称指标取平均值使其平衡，它与“常规”指标不同。

为了平均，你会打电话

print 0.5 * (metrics.precision_score(y_test, y_pred, pos_label='No Diabetes') + 
             metrics.precision_score(y_test, y_pred, pos_label='Diabetes'))

Answer 2

请参阅documentation on these metrics。