sklearn. metrics . classification_report¶

یک گزارش متنی بسازید که معیارهای طبقه بندی اصلی را نشان می دهد.

در راهنمای کاربر بیشتر بخوانید.

پارامترها: y_true 1d مانند آرایه یا آرایه نشانگر برچسب / ماتریس پراکنده

ارزشهای هدف (صحیح) مقادیر هدف.

y_pred 1d مانند آرایه یا آرایه نشانگر برچسب / ماتریس پراکنده

اهداف تخمین زده شده توسط یک طبقه بندی کننده.

برچسب های شکل مانند شکل (n_labels) ، پیش فرض = هیچ

لیست اختیاری شاخص های برچسب در گزارش.

لیست Target_names از STR شکل (n_labels) ، پیش فرض = هیچ

نام های نمایشگر اختیاری مطابق با برچسب ها (همان سفارش).

Sample_weight Array مانند شکل (n_samples) ، پیش فرض = هیچ

رقم int ، پیش فرض = 2

تعداد رقم برای قالب بندی مقادیر نقطه شناور خروجی. هنگامی که Output_dict درست است ، این نادیده گرفته می شود و مقادیر برگشتی گرد نمی شوند.

BOOL OUTPUT_DICT ، پیش فرض = نادرست

اگر درست است ، بازده را به عنوان DICT برگردانید.

جدید در نسخه 0. 20.

Zero_Division "هشدار" ، 0 یا 1 ، پیش فرض = "هشدار"

هنگامی که یک بخش صفر وجود دارد ، مقدار را برای بازگشت تنظیم می کند. اگر به "هشدار" تنظیم شود ، این به عنوان 0 عمل می کند ، اما هشدارها نیز مطرح می شوند.

بازگشت: گزارش Str یا DICT

خلاصه متن از دقت ، فراخوان ، نمره F1 برای هر کلاس. اگر Output_dict درست باشد ، فرهنگ لغت بازگشت. فرهنگ لغت ساختار زیر را دارد:

"برچسب 1": 'دقت، درستی':0.5, 'به خاطر آوردن':1.0, 'F1-Score':0. 67, 'حمایت کردن':1>, "برچسب 2":  . >, . > 

میانگین گزارش شده شامل میانگین کلان (میانگین میانگین متوسط در هر برچسب) ، میانگین وزنی (میانگین میانگین وزن پشتیبانی در هر برچسب) و میانگین نمونه (فقط برای طبقه بندی چند خط) است. میانگین میکرو (میانگین کل مثبت واقعی ، منفی کاذب و مثبت کاذب) فقط برای چند برچسب یا چند طبقه با زیر مجموعه کلاس ها نشان داده شده است ، زیرا در غیر این صورت با دقت مطابقت دارد و برای همه معیارها یکسان خواهد بود. برای اطلاعات بیشتر در مورد میانگین ، همچنین به Precision_Recall_Fscore_Support مراجعه کنید.

توجه داشته باشید که در طبقه بندی باینری ، فراخوان کلاس مثبت نیز به عنوان "حساسیت" شناخته می شود. یادآوری طبقه منفی "ویژگی" است.

محاسبه دقت ، یادآوری ، اندازه گیری F و پشتیبانی برای هر کلاس.

ماتریس سردرگمی را برای ارزیابی صحت یک طبقه بندی محاسبه کنید.

یک ماتریس سردرگمی را برای هر کلاس یا نمونه محاسبه کنید.

>>> از جانب Sklea. Metrics وارد كردن طبقه بندی_ گزارش >>> y_true = [0, 1, 2, 2, 2] >>> y_pred = [0, 0, 2, 2, 1] >>> نام های هدف = ['کلاس 0', 'کلاس 1', 'کلاس 2'] >>> چاپ(طبقه بندی_ گزارش(y_true, y_pred, نام های هدف=نام های هدف)) پشتیبانی دقیق پشتیبانی F1 کلاس 0 0. 50 1. 00 0. 67 1 کلاس 1 0. 00 0. 00 0. 00 1 کلاس 2 1. 00 0. 67 0. 80 3 دقت 0. 60 5 ماکرو AVG 0. 50 0. 56 0. 49 5 وزن AVG 0. 70 0. 60 0. 61 5 >>> y_pred = [1, 1, 0] >>> y_true = [1, 1, 1] >>> چاپ(طبقه بندی_ گزارش(y_true, y_pred, برچسب ها=[1, 2, 3])) پشتیبانی دقیق پشتیبانی F1 1 1. 00 0. 67 0. 80 3 2 0. 00 0. 00 0. 00 0 3 0. 00 0. 00 0. 00 0 میکرو AVG 1. 00 0. 67 0. 80 3 ماکرو AVG 0. 33 0. 22 0. 27 3 وزنی AVG 1. 00 0. 67 0. 80 3