precision_score#

sklearn.metrics.precision_score(y_true, y_pred, *, метки=None, pos_label=1, среднее='binary', sample_weight=None, zero_division='warn')[источник]#

Вычислить точность.

Точность — это отношение tp / (tp + fp) где tp это количество истинно положительных и fp количество ложных срабатываний. Точность интуитивно представляет способность классификатора не помечать как положительный образец, который является отрицательным.

Лучшее значение — 1, худшее — 0.

Поддержка за пределами бинарный целей достигается путем обработки многоклассовый и многометочный данные как набор бинарных задач, по одной для каждой метки. Для бинарный случае, установка average='binary' будет возвращать точность для pos_label. Если average не является 'binary', pos_label игнорируется и точность для обоих классов вычисляется, затем усредняется или возвращается обе (когда average=None). Аналогично, для многоклассовый и многометочный цели, точность для всех labels либо возвращаются, либо усредняются в зависимости от average параметр. Используйте labels указать набор меток для расчета точности.

Подробнее в Руководство пользователя.

Параметры:
y_true1d array-like, или массив индикаторов меток / разреженная матрица

Истинные (правильные) целевые значения. Разреженная матрица поддерживается только когда цели имеют многометочный тип.

y_pred1d array-like, или массив индикаторов меток / разреженная матрица

Оцененные цели, возвращаемые классификатором. Разреженная матрица поддерживается только когда цели имеют многометочный тип.

меткиarray-like, default=None

Набор меток для включения, когда average != 'binary', и их порядок, если average is None. Метки, присутствующие в данных, могут быть исключены, например, в многоклассовой классификации для исключения "отрицательного класса". Метки, отсутствующие в данных, могут быть включены и им будет "назначено" 0 образцов. Для многометочных целей метки являются индексами столбцов. По умолчанию все метки в y_true и y_pred используются в отсортированном порядке.

Изменено в версии 0.17: Параметр labels улучшена для многоклассовой задачи.

pos_labelint, float, bool или str, по умолчанию=1

Класс для отчета, если average='binary' и данные являются бинарными, в противном случае этот параметр игнорируется. Для многоклассовых или многометочных целей, установите labels=[pos_label] и average != 'binary' для отчета метрик только для одной метки.

среднее{‘micro’, ‘macro’, ‘samples’, ‘weighted’, ‘binary’} или None, по умолчанию=’binary’

Этот параметр обязателен для многоклассовых/многометочных целей. Если None, метрики для каждого класса возвращаются. В противном случае это определяет тип усреднения, выполняемого над данными:

'binary':

Отчитываться только о результатах для класса, указанного pos_label. Это применимо только если цели (y_{true,pred}) являются бинарными.

'micro':

Рассчитать метрики глобально, подсчитывая общее количество истинно положительных, ложно отрицательных и ложноположительных.

'macro':

Вычислить метрики для каждой метки и найти их невзвешенное среднее. Это не учитывает дисбаланс меток.

'weighted':

Вычисляет метрики для каждой метки и находит их среднее, взвешенное по поддержке (количеству истинных экземпляров для каждой метки). Это изменяет 'macro' для учёта дисбаланса меток; может привести к F-оценке, не находящейся между точностью и полнотой.

'samples':

Вычислить метрики для каждого экземпляра и найти их среднее (имеет смысл только для многоклассовой классификации, где это отличается от accuracy_score).

sample_weightarray-like формы (n_samples,), по умолчанию=None

Веса выборок.

zero_division{"warn", 0.0, 1.0, np.nan}, по умолчанию="warn"

Устанавливает значение, возвращаемое при делении на ноль.

Примечания:

  • Если установлено в 'warn', это действует как 0, но также выдается предупреждение.

  • Если установлено в np.nan, такие значения будут исключены из среднего.

Добавлено в версии 1.3: np.nan опция была добавлена.

Возвращает:
точностьfloat (если average не None) или массив float формы (n_unique_labels,)

Точность положительного класса в бинарной классификации или взвешенное среднее точности каждого класса для многоклассовой задачи.

Смотрите также

precision_recall_fscore_support

Вычислить точность, полноту, F-меру и поддержку для каждого класса.

recall_score

Вычислить соотношение tp / (tp + fn) где tp это количество истинно положительных результатов и fn количество ложноотрицательных результатов.

PrecisionRecallDisplay.from_estimator

Построить кривую точности-полноты для данного оценщика и некоторых данных.

PrecisionRecallDisplay.from_predictions

Построение кривой precision-recall для бинарных предсказаний классов.

multilabel_confusion_matrix

Вычислить матрицу ошибок для каждого класса или образца.

Примечания

Когда true positive + false positive == 0, precision возвращает 0 и вызывает UndefinedMetricWarning. Это поведение можно изменить с помощью zero_division.

Примеры

>>> import numpy as np
>>> 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.        ])
>>> precision_score(y_true, y_pred, average=None, zero_division=np.nan)
array([0.33,        nan,        nan])

>>> # multilabel classification
>>> y_true = [[0, 0, 0], [1, 1, 1], [0, 1, 1]]
>>> y_pred = [[0, 0, 0], [1, 1, 1], [1, 1, 0]]
>>> precision_score(y_true, y_pred, average=None)
array([0.5, 1. , 1. ])
На этой странице