缺少准确度数据的分类报告输出答案

【问题标题】：classification_report output with missing accuracy data缺少准确度数据的分类报告输出
【发布时间】：2020-03-27 06:13:44
【问题描述】：

我正在学习一门课程并做一些示例，但我的输出有误。

import pandas as pd 

df = pd.read_csv(r'E:\Python Projects\Python-Data-Science-and-Machine-Learning-Bootcamp\Machine Learning\Árvores de decisão e Florestas Aleatórias\kyphosis.csv')

from sklearn.model_selection import train_test_split

x = df.drop('Kyphosis', axis=1)
y = df['Kyphosis']

X_train, X_test, y_train, y_test = train_test_split(x,y,test_size=0.33)

from sklearn.tree import DecisionTreeClassifier

dtree = DecisionTreeClassifier()
dtree.fit(X_train, y_train)
pred = dtree.predict(X_test)

from sklearn.metrics import classification_report

print(classification_report(y_test, pred))

These 2 data are missing

【问题讨论】：

标签： python python-3.x scikit-learn

【解决方案1】：

这是分类报告返回文本摘要的方式，没有任何遗漏。

查看文档：https://scikit-learn.org/stable/modules/generated/sklearn.metrics.classification_report.html

>>> from sklearn.metrics import classification_report
>>> y_true = [0, 1, 2, 2, 2]
>>> y_pred = [0, 0, 2, 2, 1]
>>> target_names = ['class 0', 'class 1', 'class 2']
>>> print(classification_report(y_true, y_pred, target_names=target_names))
              precision    recall  f1-score   support
<BLANKLINE>
     class 0       0.50      1.00      0.67         1
     class 1       0.00      0.00      0.00         1
     class 2       1.00      0.67      0.80         3
<BLANKLINE>
    accuracy                           0.60         5
   macro avg       0.50      0.56      0.49         5
weighted avg       0.70      0.60      0.61         5
<BLANKLINE>
>>> y_pred = [1, 1, 0]
>>> y_true = [1, 1, 1]
>>> print(classification_report(y_true, y_pred, labels=[1, 2, 3]))
              precision    recall  f1-score   support
<BLANKLINE>
           1       1.00      0.67      0.80         3
           2       0.00      0.00      0.00         0
           3       0.00      0.00      0.00         0
<BLANKLINE>
   micro avg       1.00      0.67      0.80         3
   macro avg       0.33      0.22      0.27         3
weighted avg       1.00      0.67      0.80         3
<BLANKLINE>

报告的平均值包括宏观平均值（平均每个标签的未加权平均值）、加权平均值（平均每个标签的支持加权平均值）和样本平均值（仅适用于多标签分类）。微平均（对总的真阳性、假阴性和假阳性进行平均）仅针对多标签或具有类别子集的多类别显示，因为它对应于其他方面的准确性。

您的准确率仅为 74%。

【讨论】：

【解决方案2】：

您的分类报告没有遗漏任何内容； scikit-learn 的一个特点是它选择在那里显示准确度，但没有“精确度准确度”或“召回准确度”。您的实际准确度是在f1-score 列下显示的；这是来自documentation 的玩具数据示例：

from sklearn.metrics import classification_report
y_true = [0, 1, 2, 2, 2]
y_pred = [0, 0, 2, 2, 1]
target_names = ['class 0', 'class 1', 'class 2']
print(classification_report(y_true, y_pred, target_names=target_names))

结果：

              precision    recall  f1-score   support

     class 0       0.50      1.00      0.67         1
     class 1       0.00      0.00      0.00         1
     class 2       1.00      0.67      0.80         3

    accuracy                           0.60         5
   macro avg       0.50      0.56      0.49         5
weighted avg       0.70      0.60      0.61         5

即这里的准确率是0.6，你可以直接验证：

from sklearn.metrics import accuracy_score
accuracy_score(y_true, y_pred)
# 0.6

不过，您说得对，这很奇怪，而且肯定会令人困惑。不是一个很好的设计选择...

【讨论】：