我犯了一个大错。我将 scikit-learn svm 精度的输出打印为：
str(metrics.classification_report(trainExpected, trainPredict, digits=6))
现在我需要根据以下输出计算准确度：
precision recall f1-score support
1 0.000000 0.000000 0.000000 1259
2 0.500397 1.000000 0.667019 1261
avg / total 0.250397 0.500397 0.333774 2520
是否可以根据这些值计算准确度？
PS：我不想再花一天时间来获取模型的输出。我刚刚意识到这个错误希望我不需要从头开始。
【问题讨论】：
标签： scikit-learn svm precision-recall
您可以根据精度、召回率和真/假阳性数或在您的案例支持中计算准确度（即使由于分子或分母为 0，精度或召回率为 0）。
TruePositive+FalseNegative=Support_True
TrueNegative+FalsePositive=Support_False
Precision=TruePositive/(TruePositive+FalsePositive) if TruePositive+FalsePositive!=0 else 0
Recall=TruePositive/(TruePositive+FalseNegative) if TruePositive+FalseNegative!=0 else 0
Accuracy=(TruePositive+TrueNegative)/(TruePositive+TrueNegative+FalsePositive+FalseNegative)
-或- 例如，给定 TruePositive/TrueNegative 计数：
TPP=TruePositive/Precision=TruePositive+FalsePositive if Precision!=0 and TruePositive!=0 else TPP=0
TPR=TruePositive/Recall=TruePositive+FalseNegative if Recall!=0 and TruePositive!=0 else TPR=0
在上面，当 TruePositive==0 时，如果没有更多关于 FalseNegative/FalsePositive 的信息，则无法进行计算。因此支持更好。
Accuracy=(TruePositive+TrueNegative)/(TPP+TPR-TruePositive+TrueNegative)
但在您的情况下，我们提供了支持，因此我们使用召回：
Recall=TruePositive/Support_True if Support_True!=0 else 0
TruePositive=Recall*Support_True, likewise TrueNegative=Recall_False*Support_False in all cases
Accuracy=(Recall*Support_True+Recall_False*Support_False)/(Support_True + Support_False)
在您的情况下，(0*1259+1*1261)/(1259+1261)=0.500397 这正是您在只预测一个类时所期望的。在这种情况下，相应的精度分数成为准确度。
就像其他海报所说，最好使用图书馆。但由于这听起来也可能是一个数学问题，因此可以使用。
【讨论】：
无需花费更多时间。 metrics module 包含您需要的一切，并且您已经计算了预测值。这是一个单行更改。
print(metrics.accuracy_score(trainExpected, trainPredict))
我建议您花一些时间阅读链接页面，以了解有关评估模型的更多信息。
我确实认为您手头有一个更大的问题 - 尽管有平衡的课程，但您的 1 课程的预测值为零。您的数据、建模策略或代码中可能存在您必须处理的问题。
【讨论】：