我正在使用scikit-learn 来查看精度、召回率和 f 分数：
from sklearn.metrics import `precision_score`
然后：
y_true = np.array(["one", "two", "three"])
y_pred = np.array(["one", "two"])
precision = precision_score(y_true, y_pred, average=None)
print(precision)
返回的错误是：
ValueError: 发现样本数量不一致的输入变量：[3, 2]
由于输入数组不平衡，为什么scikit-learn 需要相同数量的输入？特别是在评估回忆时（我原以为猜测比答案多）。
我可以实现自己的指标，或者只是减少数组以使其匹配。我想确定我不应该这样做的根本原因是什么？
【问题讨论】：
标签： python scikit-learn metrics evaluation
这真的取决于你的y_true 和y_pred 在你的情况下是什么意思。但一般来说，y_true 将是一个向量，指示 y_pred 的每个 元素的真实值应该是什么。我认为这不是您的情况，要使用 scikit-learn 的指标，您需要将它们置于该格式中。
所以在二分类的情况下，精度为：
correct_classifications = (y_true == y_pred).astype(int)
precision = sum(y_pred * correct_classifications) / sum(y_pred)
在这里你看到你需要y_true 和y_pred 的长度相同。
【讨论】：
这很简单，因为 sklearn 在这里扮演着安全的角色。
您没有对测试集进行 100% 的预测是没有意义的。
假设您的数据集中有 1M 数据点，但您只预测 200k，那是前 200k 点吗？最后？遍布？图书馆如何知道哪个匹配哪个？
您必须在指标计算的输入处具有 1:1 的对应关系。如果您对某些点没有预测，则将其排除（但请确保您首先知道为什么没有此类预测，如果管道没有问题）-您不想说您以 1% 的精度实现 100% 的召回率，最终您只预测了 10% 的数据集。
【讨论】：