sklearn.metrics 中多分类问题指标的计算函数使用_y_score怎么计算

以五分类为例：

根据测试集数据计算得出如下几个数组：

y_true：存放的是测试集数据的真实标签，数组形状 [test_size]，数据类型 int，值属于{0,1,2,3,4}

y_true_onehot：存放的是测试集数据的真实标签， 数组形状 [test_size, num_class]（num_class=5）; 数据类型 int（值为0或1），0代表不属于，1代表属于；

y_score: 存放的是分类模型计算出的概率，数组形状 [test_size, num_class]（num_class=5）; 数据类型 float（值为计算出的概率）；

y_pred: 与y_true形式相同的数组，只不过内部的值是通过网络预测出来的类别。根据y_score得出的预测结果（类别）.

 

首先在代码顶部导入

from sklearn.metrics import accuracy_score, f1_score, precision_score, recall_score, roc_auc_score

 

1. accuracy

acc = accuracy_score(y_true, y_pred)

2. F1

f1_every_class = f1_score(y_true, y_pred, average=None)

f1_macro = f1_score(y_true, y_pred, average='macro')

f1_micro = f1_score(y_true, y_pred, average='micro')

3. precision

precision_every_class = precision_score(y_true, y_pred,average=None)

precision_macro = precision_score(y_true,y_pred, average='macro')

precision_micro = precision_score(y_true, y_pred, average='micro')

4. recall

recall_every_class = recall_score(y_true, y_pred, average=None)

recall_macro = recall_score(y_true, y_pred, average='macro')

recall_micro = recall_score(y_true, y_pred, average='micro')

5. auc

auc_every_class = roc_auc_score(y_true_onehot,y_score,average = None)

auc_macro = roc_auc_score(y_true_onehot,y_score,average='macro')

auc_micro = roc_auc_score(y_true_onehot,y_score,average='micro')