precision_score#

sklearn.metrics.precision_score(y_true, y_pred, *, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn')[Quelle]#

Berechne die Präzision.

Die Präzision ist das Verhältnis tp / (tp + fp), wobei tp die Anzahl der True Positives und fp die Anzahl der False Positives ist. Die Präzision ist intuitiv die Fähigkeit des Klassifikators, eine als positiv gekennzeichnete Stichprobe nicht zu kennzeichnen, wenn sie negativ ist.

Der beste Wert ist 1 und der schlechteste Wert ist 0.

Unterstützung über binäre Ziele wird erreicht, indem multiklassen und multilabel Daten als Sammlung von binären Problemen behandelt werden, eines für jede Bezeichnung. Für den binären Fall gibt die Einstellung average='binary' die Präzision für pos_label zurück. Wenn average nicht 'binary' ist, wird pos_label ignoriert und die Präzision für beide Klassen berechnet, dann gemittelt oder beide zurückgegeben (wenn average=None). Ähnlich wird für multiklassen und multilabel Ziele die Präzision für alle labels entweder zurückgegeben oder gemittelt, je nach average Parameter. Verwenden Sie labels, um die Menge der Bezeichnungen anzugeben, für die die Präzision berechnet werden soll.

Lesen Sie mehr im Benutzerhandbuch.

Parameter:
y_true1D Array-ähnlich oder Label-Indikator-Array / Sparse Matrix

Wahre (korrekte) Zielwerte. Sparse Matrix wird nur unterstützt, wenn die Ziele vom Typ Multilabel sind.

y_pred1D Array-ähnlich oder Label-Indikator-Array / Sparse Matrix

Geschätzte Ziele, wie sie von einem Klassifikator zurückgegeben werden. Sparse Matrix wird nur unterstützt, wenn die Ziele vom Typ Multilabel sind.

labelsarray-artig, Standardwert=None

Die Menge der Bezeichnungen, die eingeschlossen werden sollen, wenn average != 'binary', und ihre Reihenfolge, wenn average is None. Bezeichnungen, die in den Daten vorhanden sind, können ausgeschlossen werden, z. B. bei der Multiklassenklassifizierung, um eine „negative Klasse“ auszuschließen. Bezeichnungen, die nicht in den Daten vorhanden sind, können eingeschlossen werden und erhalten 0 Stichproben. Bei Multilabel-Zielen sind Bezeichnungen Spaltenindizes. Standardmäßig werden alle Bezeichnungen in y_true und y_pred in sortierter Reihenfolge verwendet.

Geändert in Version 0.17: Der Parameter labels wurde für Multiklassenprobleme verbessert.

pos_labelint, float, bool oder str, Standard=1

Die Klasse, für die berichtet werden soll, wenn average='binary' und die Daten binär sind, andernfalls wird dieser Parameter ignoriert. Für Multiklassen- oder Multilabel-Ziele setzen Sie labels=[pos_label] und average != 'binary', um Metriken für nur eine Bezeichnung zu berichten.

average{‘micro’, ‘macro’, ‘samples’, ‘weighted’, ‘binary’} oder None, Standard=’binary’

Dieser Parameter ist für Multiklassen-/Multilabel-Ziele erforderlich. Wenn None, werden die Metriken für jede Klasse zurückgegeben. Andernfalls bestimmt dieser Parameter die Art der Mittelung, die auf den Daten durchgeführt wird.

'binary':

Nur Ergebnisse für die durch pos_label angegebene Klasse berichten. Dies ist nur anwendbar, wenn die Ziele (y_{true,pred}) binär sind.

'micro':

Metriken global berechnen, indem die gesamten wahren Positive, falschen Negative und falschen Positive gezählt werden.

'macro':

Metriken für jede Bezeichnung berechnen und deren ungewichtetes Mittel finden. Dies berücksichtigt keine unausgeglichenen Bezeichnungen.

'weighted':

Berechnet Metriken für jedes Label und ermittelt deren Durchschnitt, gewichtet nach dem Support (die Anzahl der tatsächlichen Instanzen für jedes Label). Dies verändert „macro“, um die Ungleichheit der Labels zu berücksichtigen; es kann zu einem F-Score führen, der nicht zwischen Präzision und Recall liegt.

'samples':

Metriken für jede Instanz berechnen und deren Mittel finden (nur sinnvoll für Multilabel-Klassifizierung, wo dies von accuracy_score abweicht).

sample_weightarray-like der Form (n_samples,), Standardwert=None

Stichprobengewichte.

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

Legt den Wert fest, der bei Nullteilung zurückgegeben werden soll.

Anmerkungen

  • Wenn auf „warn“ gesetzt, verhält sich dies wie 0, aber es wird auch eine Warnung ausgegeben.

  • Wenn auf np.nan gesetzt, werden solche Werte von der Mittelung ausgeschlossen.

Hinzugefügt in Version 1.3: Option np.nan hinzugefügt.

Gibt zurück:
precisionfloat (wenn average nicht None ist) oder Array von float der Form (n_unique_labels,)

Präzision der positiven Klasse bei binärer Klassifizierung oder gewichteter Durchschnitt der Präzision jeder Klasse für die Multiklassenaufgabe.

Siehe auch

precision_recall_fscore_support

Berechne Präzision, Recall, F-Maß und Support für jede Klasse.

recall_score

Berechnet das Verhältnis tp / (tp + fn), wobei tp die Anzahl der True Positives und fn die Anzahl der False Negatives ist.

PrecisionRecallDisplay.from_estimator

Zeichnet die Präzisions-Recall-Kurve basierend auf einem Schätzer und einigen Daten.

PrecisionRecallDisplay.from_predictions

Zeichnet die Präzisions-Recall-Kurve basierend auf binären Klassenvorhersagen.

multilabel_confusion_matrix

Berechne eine Konfusionsmatrix für jede Klasse oder Stichprobe.

Anmerkungen

Wenn true positive + false positive == 0, gibt precision 0 zurück und löst UndefinedMetricWarning aus. Dieses Verhalten kann mit zero_division geändert werden.

Beispiele

>>> import numpy as np
>>> from sklearn.metrics import precision_score
>>> y_true = [0, 1, 2, 0, 1, 2]
>>> y_pred = [0, 2, 1, 0, 0, 1]
>>> precision_score(y_true, y_pred, average='macro')
0.22
>>> precision_score(y_true, y_pred, average='micro')
0.33
>>> precision_score(y_true, y_pred, average='weighted')
0.22
>>> precision_score(y_true, y_pred, average=None)
array([0.66, 0.        , 0.        ])
>>> y_pred = [0, 0, 0, 0, 0, 0]
>>> precision_score(y_true, y_pred, average=None)
array([0.33, 0.        , 0.        ])
>>> precision_score(y_true, y_pred, average=None, zero_division=1)
array([0.33, 1.        , 1.        ])
>>> precision_score(y_true, y_pred, average=None, zero_division=np.nan)
array([0.33,        nan,        nan])

>>> # multilabel classification
>>> y_true = [[0, 0, 0], [1, 1, 1], [0, 1, 1]]
>>> y_pred = [[0, 0, 0], [1, 1, 1], [1, 1, 0]]
>>> precision_score(y_true, y_pred, average=None)
array([0.5, 1. , 1. ])
Auf dieser Seite

Diese Seite