函數聲明：

precision_score(y_true, y_pred, labels=None, pos_label=1, average='binary', sample_weight=None)

其中較為常用的參數解釋如下：

y_true：真實標簽

y_pred：預測標簽

average：評價值的平均值的計算方式。可以接收[None, 'binary' (default), 'micro', 'macro', 'samples', 'weighted']對于多類/多標簽目標需要此參數。下面進行詳細說明：

如果是None，則返回每個類的分數。否則，這決定了對數據進行平均的類型用下面幾種統計方法的哪一種：

?

先說對于'micro' ：

這兩種寫法是等價的

print(precision_score(y_test, y_pred,average='micro'))
print(np.sum(y_test == y_pred) / len(y_test))

?

以下內容中，P表示二分類時精確率的計算結果??部分內容參考

' macro '? ： 相當于類間不帶權重。不考慮類別數量，不適用于類別不均衡的數據集，其計算方式為：?各類別的P求和/類別數量

' weighted ' : 相當于類間帶權重。各類別的P?×?該類別的樣本數量（實際值而非預測值）/?樣本總數量

舉個例子：

如實際樣本中，0類有98個樣本，1類有2個樣本，3類有100個樣本,共有3類，樣本總數為20。

預測結果中，0類全部預測為3類，全部錯誤；1類全部預測正確；3類全部預測為0類，全部預測錯誤。

則P_macro = 0 + 1 + 0 / 3 = 0.33333333

P_weighted = 0×98 + 1×2 + 0×100 / 200 = 2/200 = 0.01

?

再舉個例子：

如共有100個樣本，0類98個，1類2個；

預測結果為全0

則P_macro = 0.98 +?0 / 2 = 0.49

P_weighted = 98×0.98 + 0×2 / 100 = 2/200 = 0.9604

得出結論：

對于類別不均衡的分類模型，采用macro方式會有較大的偏差，采用weighted方式則可較好反映模型的優劣，因為若類別數量較小則存在蒙對或蒙錯的概率，其結果不能真實反映模型優劣，需要較大的樣本數量才可計算較為準確的評價值，通過將樣本數量作為權重，可理解為評價值的置信度，數量越多，其評價值越可信。
?

官方說明：average : string, [None, 'binary' (default), 'micro', 'macro', 'samples', \'weighted']This parameter is required for multiclass/multilabel targets.If ``None``, the scores for each class are returned. Otherwise, thisdetermines the type of averaging performed on the data:``'binary'``:Only report results for the class specified by ``pos_label``.This is applicable only if targets (``y_{true,pred}``) are binary.``'micro'``:Calculate metrics globally by counting the total true positives,false negatives and false positives.``'macro'``:Calculate metrics for each label, and find their unweightedmean. This does not take label imbalance into account.``'weighted'``:Calculate metrics for each label, and find their average weightedby support (the number of true instances for each label). Thisalters 'macro' to account for label imbalance; it can result in anF-score that is not between precision and recall.``'samples'``:Calculate metrics for each instance, and find their average (onlymeaningful for multilabel classification where this differs from:func:`accuracy_score`).

再給個鏈接給予參考：https://www.cnblogs.com/harvey888/p/6964741.html

總結

以上是生活随笔為你收集整理的【Python学习】 - sklearn学习 - 评估指标precision_score的参数说明的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。