Python sklearn如何计算平均精度分数？

根据中平均精度AP分数的定义，AP是基于跨阈值召回的精度和增量计算的

在average_precision_score函数中，强制参数如下： y_true：二进制标签指示器中的真二进制标签

y_分数：目标分数，可以是正类的概率估计、置信值，也可以是决策函数在某些分类器上返回的决策的非阈值度量

据我所知，y_true是每个记录所属的基本真相类的列表。y_分数是对应于每个记录的预测类列表。同样，对于二元分类任务，y_true=[1,0,0,1,1]和y_分数=[0,0,0,1,0]将是可行参数，其中对于记录1，基本真值类为正1，但预测类为负0

我们尝试使用不同的阈值执行分类任务。因此，对于每个阈值，我们会得到不同的y_分数列表。在这种情况下，当我应用average_precision_score函数时，我将获得每个阈值的AP值。没有一个值跨越定义所暗示的阈值。sklearn函数中没有“阈值”参数

你能告诉我我对sklearn中平均精度评分函数的理解是否正确吗？如果是这样，与定义相矛盾的原因是什么？

您犯了一个错误：

Y_分数不是[0,0,1,0]的形式

从文件：

y_分数：数组，形状=[n_样本]或[n_样本，n_类] 目标分数，既可以是概率估计的正值 类别、置信值或决策的非阈值度量 由某些分类器上的decision_函数返回

这意味着它的形式如下[[0.33,0.66][0.65,0.35][0.1,0.9]…]。你可以得到每个类的概率。现在，阈值是您将决定分配给每个点的类别的值

例如，在我上面给出的阈值为0.4的列表中，如果概率为1优于0.4，则我分配1。有了这个阈值，我的向量现在是[1,0,1，…]，但是如果阈值是0.70，那么它就是[0,0,1，…]

因此，对于一个预测，您可以应用不同的阈值ans，从而计算平均精度得分。精确度和召回率基于阈值

几天前在这里有一个很好的解释：