模型指标Precision, recall, and F-score

在使用 sklearn 函数进行相关值计算时候，抛出了这样一个警告：Precision and F-score are ill-defined and being set to 0.0 in labels with no predicted samples. Use `zero_division` parameter to control this behavior. (原因是 在y-pred_1当中 没有预测出2这个类别，所以抛出了异常。)  有关这个函数的使用可见：  sklearn.metrics.precision_recall_fscore_support-scikit-learn中文社区   代码如下：

from sklearn.metrics import precision_recall_fscore_support
y_true_1 = np.array([0,0,0,1,2])
y_pred_1 = np.array([0,0,0,1,0])
print(precision_recall_fscore_support(y_true_1, y_pred_1, average='macro'))

由此，开始了一番对 Precision, recall, and F-score 的探索之路。

经过查阅，原来计算 F1-score 有不同的方法： 请看我下面的手稿：

 对应手稿中①的代码为

y_true_1 = np.array([0,0,0,1,2])
y_pred_1 = np.array([0,0,0,1,0])
print(precision_recall_fscore_support(y_true_1, y_pred_1, average='micro'))
#  (0.8, 0.8, 0.8000000000000002, None)

 对应手稿中②的代码为，在最开始已经给出

对应手稿中③的代码为：

y_true_1 = np.array([0,0,0,1,1])
y_pred_1 = np.array([0,0,0,1,0])
print(precision_recall_fscore_support(y_true_1, y_pred_1, average='binary'))
#  (1.0, 0.5, 0.6666666666666666, None)