sklearn.metrics.precision_score

sklearn.metrics.precision_score()

Calcula la precisión.

La precisión es la relación tp / (tp + fp) donde tp es el número de verdaderos positivos y fp el número de falsos positivos. La precisión es intuitivamente la capacidad del clasificador de no etiquetar como positiva una muestra que es negativa.

El mejor valor es 1 y el peor valor es 0.

Más información en el Manual de usuario.

Parámetros

y_truearray-like 1d o arreglo indicador de etiqueta / matriz dispersa

Valores objetivo reales (correctos).

y_predarray-like 1d o arreglo indicador de etiqueta / matriz dispersa

Objetivos estimados devueltos por un clasificador.

labelsarray-like, default=None

El conjunto de etiquetas a incluir cuando average != 'binary', y su orden si average is None. Las etiquetas presentes en los datos pueden ser excluidas, por ejemplo para calcular un promedio multiclase ignorando una clase mayoritariamente negativa, mientras que las etiquetas no presentes en los datos resultarán en 0 componentes en un macro promedio. Para los objetivos multietiqueta, las etiquetas son índices de columna. Por defecto, todas las etiquetas en y_true y y_pred se utilizan en orden ordenado.

Distinto en la versión 0.17: Se ha mejorado el parámetro labels para problemas multiclase.

pos_labelcadena de caracteres o entero, default=1

La clase a reportar si average='binary' y los datos son binarios. Si los datos son multiclase o multietiqueta, esto será ignorado; configurando labels=[pos_label] y average != 'binary' sólo reportará valores para esa etiqueta.

average{“micro”, “macro”, “samples”, “weighted”, “binary”} default=”binary”

Este parámetro es requerido para objetivos multiclase/multietiqueta. Si es None, los valores para cada clase son retornadas. De lo contrario, esto determina el tipo de promedio realizado en los datos:

'binary':

Solo reporta resultados para la clase especificada por pos_label. Esto es aplicable sólo si los objetivos (y_{true,pred}) son binarios.

'micro':

Calcula las métricas globalmente contando los verdaderos positivos, falsos negativos y falsos positivos.

'macro':

Calcula las métricas para cada etiqueta y encuentra su media no ponderada. Esto no tiene en cuenta el desequilibrio de la etiqueta.

'weighted':

Calcula las métricas para cada etiqueta y encuentra su promedio ponderado por soporte (el número de instancias verdaderas para cada etiqueta). Esto altera “macro” para explicar el desequilibrio de la etiqueta; puede dar lugar a un valor F que no esté entre la precisión y la exhaustividad.

'samples':

Calcula las métricas para cada caso, y encuentra su promedio (solo tiene sentido para la clasificación multietiqueta donde esto difiere de accuracy_score).

sample_weightarray-like de forma (n_samples,), default=None

Ponderaciones de muestra.

zero_division«warn», 0 o 1, default=»warn»

Establece el valor a regresar cuando hay una división cero. Si se establece en «warn», esto actúa como 0, pero las advertencias también son levantadas.

Devuelve

precisionflotante (si average no es None) o arreglo flotante de forma

(n_unique_labels,) Precisión de la clase positiva en la clasificación binaria o ponderada promedio de la precisión de cada clase para la tarea multiclase.

Ver también

precision_recall_fscore_support, multilabel_confusion_matrix

Notas

Cuando true positive + false positive == 0, la precisión devuelve 0 y aumenta UndefinedMetricWarning. Este comportamiento puede ser modificado con zero_division.

Ejemplos

>>> from sklearn.metrics import precision_score
>>> y_true = [0, 1, 2, 0, 1, 2]
>>> y_pred = [0, 2, 1, 0, 0, 1]
>>> precision_score(y_true, y_pred, average='macro')
0.22...
>>> precision_score(y_true, y_pred, average='micro')
0.33...
>>> precision_score(y_true, y_pred, average='weighted')
0.22...
>>> precision_score(y_true, y_pred, average=None)
array([0.66..., 0.        , 0.        ])
>>> y_pred = [0, 0, 0, 0, 0, 0]
>>> precision_score(y_true, y_pred, average=None)
array([0.33..., 0.        , 0.        ])
>>> precision_score(y_true, y_pred, average=None, zero_division=1)
array([0.33..., 1.        , 1.        ])

Ejemplos usando sklearn.metrics.precision_score

Precisión-Exhaustividad