分别计算出了每个类别的准确率(Accuracy)、精确率(Precision)、召回率(recall)和F1-Score参数,并且给出了平均参数,就是macro avg那一行。 3. 单个平均参数计算 上面已经给出了所有的评估结果,如果我们只想单独计算的平均的准确率、精确率、F1分数和召回率,代码如下: # 计算并打印一系列评估指标,包括准确率、精确...
分别计算出了每个类别的准确率(Accuracy)、精确率(Precision)、召回率(recall)和F1-Score参数,并且给出了平均参数,就是macro avg那一行。 3. 单独计算每个平均评估参数 上面已经给出了所有的评估结果,如果我们只想单独计算的平均的准确率、精确率、F1分数和召回率,代码如下: # 计算并打印一系列评估指标,包括准确率...
print('单独计算的准确率、精确率、F1分数和召回率:') # 1. accuracy_score: 准确率,表示预测正确的样本占总样本的比例 print('accuracy_score:',accuracy_score(real_labels, pre_labels)) # 2. precision_score: 精确率,表示预测为正类且实际为正类的样本占预测为正类样本的比例 print('precision_score:'...
分别计算出了每个类别的准确率(Accuracy)、精确率(Precision)、召回率(recall)和F1-Score参数,并且给出了平均参数,就是macro avg那一行。 3. 单个平均参数计算 上面已经给出了所有的评估结果,如果我们只想单独计算的平均的准确率、精确率、F1分数和召回率,代码如下: # 计算并打印一系列评估指标,包括准确率、精确...