sklearn(四)计算recall:使用metrics.recall_score()计算多分类的召回率

写在前面：

sklearn(三)计算recall:使用metrics.recall_score()计算二分类的召回率

---

1.sklearn.metrics.recall_score()的使用方法

使用方式：

sklearn.metrics.recall_score(y_true, y_pred, *, labels=None, pos_label=1, average='binary', 
sample_weight=None, zero_division='warn')

输入参数：

y_true：真实标签。

y_pred：预测标签。

labels：可选参数，是一个list。可以排除数据中出现的标签，比如负类别比较多时，去除负类。

pos_label：字符串或者int类型，默认值是1。多分类情况下：

• 如果计算整体的 recall，可忽略该参数
• 如果labels=[pos_label] 并且average != 'binary'，则返回该类别的recall

average：字符串类型，取值为 [None, ‘binary’ (default), ‘micro’, ‘macro’, ‘samples’, ‘weighted’]。多分类必须的参数，如果为None，则返回每一类的recall，否则，根据其参数返回整体的召回率。

'macro'：用于多分类，只有两个属性可以选择 ‘macro’ 和 ‘weighted’ 。' macro '：计算每个标签的指标，并计算它们的未加权平均值。不考虑样本类别是否平衡。' weighted '：计算每个标签的指标，并找到它们的平均值，对(每个标签的真实实例的数量)进行加权。

'micro':

整体计算TP、FN、FP，然后根据公式计算得分。

'macro':

计算每个标签的指标，并计算它们的未加权平均值。不考虑样本类别是否平衡。

'weighted':

计算每个标签的指标，并找到它们的平均值，对(每个标签的真实实例的数量)进行加权。This alters ‘macro’ to account for label imbalance; it can result in an F-score that is not between precision and recall.

'samples': （没用它）

sample_weight：（没用它）

zero_division：（没用它）

输出：

正样本召回率，浮点型。

2.例子

此处需要一个混淆矩阵的手算例子，后续补充ing

 

demo：