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')[source]

Построение текстового отчета, отображающего основные метрики классификации.

Подробнее см. в Руководстве пользователя.

Параметры:

y_trueодномерный массив-подобный объект или массив/разреженная матрица меток

Истинные (правильные) значения целевых переменных.

y_predодномерный массив-подобный объект или массив/разреженная матрица меток

Оцененные целевые переменные, возвращаемые классификатором.

labelsмассив-подобный объект формы (n_labels,), по умолчанию None

Необязательный список индексов меток для включения в отчет.

target_namesмассив-подобный объект формы (n_labels,), по умолчанию None

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

sample_weightмассив-подобный объект формы (n_samples,), по умолчанию None

Веса образцов.

digitsцелое число, по умолчанию 2

Количество знаков для форматирования значений с плавающей точкой в выводе. При output_dict это True, это будет проигнорировано, и возвращаемые значения не будут округляться.

output_dictбулево значение, по умолчанию False

Если True, возвращает вывод в виде словаря.

Добавлен в версии 0.20.

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

Устанавливает значение для возврата при делении на ноль. Если установлено в “warn”, это действует как 0, но также выводятся предупреждения.

Добавлен в версии 1.3: np.nan добавлено опция.

Возвращает:

reportстрока или словарь

Текстовый сводный отчет о точности, полноте, F1-мере для каждого класса. Возвращает словарь, если output_dict равно True. Структура словаря следующая:

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

Отчетные средние значения включают среднее значение макро (усреднение несвязного среднего по метке), взвешенное среднее (усреднение взвешенного по поддержке среднего по метке) и выборочное среднее (только для многоклассовой классификации). Микросреднее значение (усреднение всех истинно положительных, ложно отрицательных и ложно положительных) отображается только для многоклассовой или многоклассовой с подмножеством классов, поскольку в противном случае оно соответствует точности и будет одинаковым для всех метрик. См. также precision_recall_fscore_support для получения дополнительной информации о средних значениях.

Обратите внимание, что в бинарной классификации полнота положительного класса также известна как «чувствительность»; полнота отрицательного класса — «специфичность».

См. также

precision_recall_fscore_support

Вычисление точности, полноты, F-меры и поддержки для каждого класса.

confusion_matrix

Вычисление матрицы неточностей для оценки точности классификации.

multilabel_confusion_matrix

Вычисление матрицы неточностей 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