precision_score：精度率、精度率
P = TPTP + FPP = \ frac {TP} {TP + FP}P=T P+F PT P
# 假设二分类标签为1，2
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
precision_score(y_true, y_pred, average="binary", pos_label=1)
# pos_label设置为1，代表标签为1的样本是正例，标签为2的样本是负例。
精度スコア：精度率
A cc = TP + TNTP + FP + TN + FN Acc = \ frac {TP + TN} {TP + FP + TN + FN}A c c=T P+F P+T N+F NT P+T N
# 假设二分类标签为1，2
accuracy_score(y_true, y_pred)
再現率スコア：再現率、再現率
R = TPTP + FNR = \ frac {TP} {TP + FN}R=T P+F NT P
# 假设二分类标签为1，2
recall_score(y_true, y_pred, average="binary", pos_label=1)
f1_score：F1值F1
= 2 ∗ P ∗ RP + R F1 = \ frac {2 * P * R} {P + R}F 1=P+R2∗P∗R
# 假设二分类标签为1，2
f1_score(y_true, y_pred, average="binary", pos_label=1)
添付ファイル：2つのカテゴリの混同行列
| 現実 | 予測結果 | |
| 正例 | 反例 | |
| 正例 | TP（実例） | FN（誤った反例） |
| 反例 | FP（偽陽性） | TN（真のネガティブな例） |