classification_report

sklearn.metrics.classification_report(y_true, y_pred, *, labels=None, target_names=None, sample_weight=None, digits=2, output_dict=False, zero_division='warn')[исходный код]

Создаёт текстовый отчёт с основными метриками классификации.

Подробнее см. в руководстве пользователя.

Параметры:

y_trueмассивоподобный объект размерности 1 или массив индикаторов меток / разреженная матрица

Истинные (правильные) целевые значения. Разреженная матрица поддерживается только для целей типа мультиметочной классификации.

y_predмассивоподобный объект размерности 1 или массив индикаторов меток / разреженная матрица

Оценённые целевые значения, возвращённые классификатором. Разреженная матрица поддерживается только для целей типа мультиметочной классификации.

labelsмассивоподобный объект формы (n_labels,), по умолчанию None

Необязательный список индексов меток, включаемых в отчёт.

target_namesмассивоподобный объект формы (n_labels,), по умолчанию None

Необязательные отображаемые имена, соответствующие меткам (в том же порядке).

sample_weightмассивоподобный объект формы (n_samples,), по умолчанию None

Веса образцов.

digitsint, по умолчанию 2

Количество знаков для форматирования выходных значений с плавающей точкой. Если output_dict равно True, этот параметр игнорируется, а возвращаемые значения не округляются.

output_dictbool, по умолчанию False

Если True, вернуть результат в виде словаря.

Добавлено в версии 0.20.

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

Задаёт значение, возвращаемое при делении на ноль. Если задано значение “warn”, возвращается 0, а также выдаются предупреждения.

Добавлено в версии 1.3: добавлен параметр np.nan.

Возвращает:

reportstr или dict

Текстовая сводка точности, полноты и F1-меры для каждого класса. Если output_dict равен True, возвращается словарь. Словарь имеет следующую структуру:

{'label 1': {'precision':0.5,
             'recall':1.0,
             'f1-score':0.67,
             'support':1},
 'label 2': { ... },
  ...
}

В отчёте представлены средние значения: макроусреднение (среднее невзвешенное по меткам), взвешенное среднее (среднее по меткам с весами, равными количеству образцов) и среднее по образцам (только для мультиметочной классификации). Микроусреднение (суммарные значения истинно положительных, ложноотрицательных и ложноположительных результатов) отображается только для мультиметочной или многоклассовой классификации с подмножеством классов, поскольку в остальных случаях оно соответствует точности и будет одинаковым для всех метрик. Подробнее о средних значениях см. также в описании precision_recall_fscore_support.

Обратите внимание: в бинарной классификации полнота положительного класса также называется «чувствительностью», а полнота отрицательного класса — «специфичностью».

См. также

precision_recall_fscore_support

Вычисляет точность, полноту, F-меру и количество образцов для каждого класса.

confusion_matrix

Вычисляет матрицу ошибок для оценки точности классификации.

multilabel_confusion_matrix

Вычисляет матрицу ошибок для каждого класса или образца.

Примеры

>>> 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

     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

>>> 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

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

   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

Примеры из галереи

Пример распознавания лиц с использованием собственных лиц и SVM

Распознавание рукописных цифр

Преобразователь столбцов для разнородных источников данных

Конвейер ANOVA SVM

Пользовательская стратегия повторного обучения в поиске по сетке с перекрёстной проверкой

Признаки ограниченной машины Больцмана для классификации цифр

Цифры и распространение меток: демонстрация производительности

Цифры и распространение меток: активное обучение