### 如何使用 `sklearn.metrics.classification_report` 计算分类模型的精确率与召回率 在 Python 中，可以通过调用 `sklearn.metrics.classification_report` 来生成详细的分类报告，其中包括每类别的精确率 (Precision) 和召回率 (Recall)，以及支持度和支持加权平均值。以下是具体实现方式及其背后的计算逻辑。 #### 实现代码 以下是一个完整的代码示例： ```python from sklearn.metrics import classification_report import numpy as np # 定义真实标签和预测标签 y_true = [0, 1, 2, 2, 2] y_pred = [0, 0, 2, 2, 1] # 打印默认格式的分类报告 print("Default Classification Report:") report_default = classification_report(y_true, y_pred) print(report_default) # 自定义类别名称并打印带目标名的分类报告 target_names = ['class 0', 'class 1', 'class 2'] print("\nClassification Report with Target Names:") report_with_names = classification_report(y_true, y_pred, target_names=target_names) print(report_with_names) ``` #### 输出解释 运行上述代码后会得到如下形式的结果： ``` Default Classification Report: precision recall f1-score support 0 1.00 1.00 1.00 1 1 0.00 0.00 0.00 1 2 1.00 0.67 0.80 3 accuracy 0.60 5 macro avg 0.67 0.56 0.60 5 weighted avg 0.80 0.60 0.67 5 Classification Report with Target Names: precision recall f1-score support class 0 1.00 1.00 1.00 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 0.67 0.56 0.60 5 weighted avg 0.80 0.60 0.67 5 ``` #### 精确率与召回率的计算方法 - **精确率 (Precision)** 是指预测为正类的样本中真正为正类的比例。其公式为： \[ \text{Precision} = \frac{\text{True Positives}}{\text{True Positives} + \text{False Positives}} \][^5] - **召回率 (Recall)** 是指实际为正类的样本中被正确预测为正类的比例。其公式为： \[ \text{Recall} = \frac{\text{True Positives}}{\text{True Positives} + \text{False Negatives}} \][^5] 对于多分类问题，`classification_report` 将分别计算每一类的 Precision 和 Recall，并提供整体 Accuracy、Macro Average 和 Weighted Average 的统计信息。 #### 参数详解 - `y_true`: 表示真实的标签列表。 - `y_pred`: 表示模型预测的标签列表。 - `labels`: （可选）指定要评估的标签子集，默认会对所有唯一标签进行评估。 - `target_names`: （可选）用于显示更友好的类别名称。 - `digits`: （可选）控制浮点数的小数位数，默认为两位小数。 - `output_dict`: 如果设置为 True，则返回字典而不是字符串输出[^2]。 通过以上参数配置可以灵活调整输出样式以满足不同需求。