在Scikit-learn中,可以使用classification_report
函數(shù)來(lái)生成模型評(píng)估報(bào)告。這個(gè)函數(shù)可以輸出精確度、召回率、F1值以及支持度等指標(biāo)。
下面是一個(gè)示例代碼,展示如何使用classification_report
函數(shù)來(lái)生成模型評(píng)估報(bào)告:
from sklearn.metrics import classification_report
# 假設(shè)y_true是真實(shí)標(biāo)簽,y_pred是模型的預(yù)測(cè)結(jié)果
y_true = [0, 1, 2, 2, 2]
y_pred = [0, 1, 1, 2, 1]
# 輸出模型評(píng)估報(bào)告
print(classification_report(y_true, y_pred))
運(yùn)行以上代碼,會(huì)輸出如下的模型評(píng)估報(bào)告:
precision recall f1-score support
0 1.00 1.00 1.00 1
1 0.50 1.00 0.67 1
2 1.00 0.67 0.80 3
accuracy 0.80 5
macro avg 0.83 0.89 0.82 5
weighted avg 0.90 0.80 0.82 5
在這個(gè)報(bào)告中,每個(gè)類別(0, 1, 2)都有自己的精確度、召回率、F1值和支持度等指標(biāo)。同時(shí),還會(huì)給出整體的精確度、召回率、F1值和支持度等指標(biāo)。