今天在编译python代码时，遇到了如下错误：
Target is multiclass but average=‘binary’. Please choose another average setting, one of [None, ‘micro’, ‘macro’, ‘weighted’].
原代码如下，是要求某数据集的F1（精度和召回率组合成单一的指标）。
from sklearn.metrics import precision_score, recall_score
precision_score(y_train, y_train_pred)
解决办法
原代码基础上添加了average=‘micro’。
from sklearn.metrics import precision_score, recall_score
precision_score(y_train, y_train_pred, average='micro')
average参数定义了该指标的计算方法，二分类时average参数默认是binary；多分类时，可选参数有micro、macro、weighted和samples。
None：返回每个班级的分数。否则，这将确定对数据执行的平均类型。
binary：仅报告由指定的类的结果pos_label。仅当targets（y_{true,pred}）是二进制时才适用。
micro：通过计算总真阳性，假阴性和误报来全球计算指标。也就是把所有的类放在一起算（具体到precision），然后把所有类的TP加和，再除以所有类的TP和FN的加和。因此micro方法下的precision和recall都等于accuracy。
macro：计算每个标签的指标，找出它们的未加权平均值。这不会考虑标签不平衡。也就是先分别求出每个类的precision再求其算术平均。
weighted：计算每个标签的指标，并找到它们的平均值，按支持加权（每个标签的真实实例数）。这会改变“宏观”以解决标签不平衡问题; 它可能导致F分数不在精确度和召回之间。
samples：计算每个实例的指标，并找出它们的平均值（仅对于不同的多标记分类有意义 accuracy_score）。
参考：https://blog.csdn.net/datongmu_yile/article/details/81750737
