根据这里对平均精确度（AP）得分的定义，AP的计算基于跨阈值的精确度和召回率的增量。

在average_precision_score函数中，必需的参数如下：
y_true：二元标签指示器中的真实二元标签。

y_score：目标得分，可以是正类的概率估计、置信值，或是决策的非阈值度量（如某些分类器的“decision_function”返回的）。

据我所知，y_true 是每条记录所属的真实类别列表。y_score 是与每条记录对应的预测类别列表。同样，对于二元分类任务，y_true = [1,0,0,1,1] 和 y_score = [0,0,0,1,0] 是可行的参数，其中对于第一条记录，真实类别是正类（1），但预测类别是负类（0）。

我们尝试使用不同的阈值进行分类任务。因此，每个阈值都会得到不同的y_score列表。在这种情况下，当我应用average_precision_score函数时，我会为每个阈值得到一个AP值，而不是如定义所暗示的跨阈值的单一值。无论如何，sklearn函数中并没有“threshold”参数。

您能告诉我我对sklearn中average_precision_score函数的理解是否正确吗？如果是的话，与定义的矛盾原因是什么？

回答：

你犯了一个错误：

Y_score的形式不是[0,0,1,0]

根据文档：

y_score : array, shape = [n_samples] or [n_samples, n_classes] 目标得分，可以是正类的概率估计、置信值，或是决策的非阈值度量（如某些分类器的“decision_function”返回的）。

这意味着它的形式是[[0.33,0.66][0.65,0.35][0.1,0.9]…]。你会得到每个类的概率。现在，阈值是从中决定为每个点分配哪个类的值。

例如，在我上面给出的列表中，如果阈值为0.4，如果被判定为1的概率大于0.4，那么我会分配1。使用这个阈值，我的向量现在是[1,0,1,…]，但如果阈值是0.70，那么它就是[0,0,1,….]。

所以，通过一个预测，你可以应用不同的阈值，从而计算average_precision_score。精确度和召回率是基于阈值的。

几天前这里有一个很好的解释：理解ROC曲线