Scikit learn 分类器报告在skikit learn中告诉我们什么？

我正在使用skikit learn进行文本分类。当我使用classification_report（）函数时，它返回下表：

precision recall f1-score support neg 0.86 0.69 0.77 351 pos 0.82 0.92 0.87 517 avg / total 0.83 0.83 0.83 868 精确回忆f1分数支持 负0.86 0.69 0.77 351 位置0.82 0.92 0.87 517 平均/总计0.83 0.83 0.83 868 准确度、召回率和f1成绩的含义是什么？从上述数值可以得出什么结论？此外，这些值是否反映了有关我的分类器的任何信息？

回忆反映了给定类中有多少个示例被标记为属于该类。精度反映了被分类器标记为该类的示例的数量是该类的真正示例

假设您有两个类

neg

和

pos

。如果您现在将所有示例标记为属于

neg

类，那么您对

neg

的召回率将非常高，为1.00%或100%，因为只要示例属于

neg

类，您就将其标记为

neg

。同时，对

pos

的召回将是可怕的，因为没有一个类

pos

被标记为

pos

。此外，

neg

的精度将很差，因为许多标记为

neg

的示例实际上是

pos

相反，只有在绝对确定标签属于类

neg

时，才可以给出标签

neg

的示例。那么，您对

neg

的回忆很可能会很糟糕，因为您几乎没有抓住任何

neg

示例。但是，您的精度将非常高，因为（几乎）所有标记为

neg

的示例实际上都属于

neg

类

所以：将所有事物标记为A类会导致A类的高召回率，但精确度不高。将几乎没有任何东西标记为A类通常会导致低召回率，但A类的准确率很高

同样列出的F1分数只是回忆和准确度的结合。如果你的F1成绩很高，那么通常召回率和准确率都会很好。如果它很低，那么你的召回率和准确率往往很差

从您的示例值中，您可以得出分类器的性能通常不太差，F1分数为0.83。与其他值相比，

neg

的召回率有点低，因此您的分类器在识别

neg

的示例以及将这些示例标记为

pos

方面存在问题（这会降低

pos

的精度）。如果这些是您的培训结果，而不是测试集，那么支持值的差异表明

pos

的示例比

neg

的示例多，这意味着您将在稍微倾斜的数据集上进行培训。平衡这些数字还可能导致更平衡的召回

进一步阅读：

---

这个问题与编程无关。请注意，您可以也可能应该找到并阅读相应的维基百科文章。