我有一段代码，使用NB分类器来解决多类分类问题。该函数通过存储准确率并稍后打印平均值来执行交叉验证。但我想要的是一个指定类别精确度和召回率的分类报告，而不是最后的平均准确率得分。
import random from sklearn import cross_validation from sklearn.naive_bayes import MultinomialNB def multinomial_nb_with_cv(x_train, y_train): random.shuffle(X) kf = cross_validation.KFold(len(X), n_folds=10) acc = [] for train_index, test_index in kf: y_true = y_train[test_index] clf = MultinomialNB().fit(x_train[train_index], y_train[train_index]) y_pred = clf.predict(x_train[test_index]) acc.append(accuracy_score(y_true, y_pred))如果我不进行交叉验证，我只需要做以下操作：
from sklearn.metrics import classification_report from sklearn.naive_bayes import MultinomialNB def multinomial_nb(x_train, y_train, x_test, y_test): clf = MultinomialNB().fit(x_train, y_train) y_pred = clf.predict(x_test) y_true = y_test print classification_report(y_true, y_pred)这样我就能得到如下报告：
precision recall f1-score support 0 0.50 0.24 0.33 221 1 0.00 0.00 0.00 18 2 0.00 0.00 0.00 27 3 0.00 0.00 0.00 28 4 0.00 0.00 0.00 32 5 0.04 0.02 0.02 57 6 0.00 0.00 0.00 26 7 0.00 0.00 0.00 25 8 0.00 0.00 0.00 43 9 0.00 0.00 0.00 99 10 0.63 0.98 0.76 716 avg / total 0.44 0.59 0.48 1292在进行交叉验证的情况下，如何获得类似的报告？
回答：
您可以使用cross_val_predict来生成交叉验证预测，然后使用classification_report。
from sklearn.datasets import make_classificationfrom sklearn.cross_validation import cross_val_predictfrom sklearn.naive_bayes import GaussianNBfrom sklearn.metrics import classification_report# 生成一些具有11个类别的模拟数据X, y = make_classification(n_samples=2000, n_features=20, n_informative=10, n_classes=11, random_state=0)# 您的分类器，这里假设使用GaussianNB来处理非整数数据Xestimator = GaussianNB()# 使用10折分层抽样生成交叉验证预测y_pred = cross_val_predict(estimator, X, y, cv=10)y_pred.shapeOut[91]: (2000,)# 生成报告print(classification_report(y, y_pred)) precision recall f1-score support 0 0.47 0.36 0.41 181 1 0.38 0.46 0.41 181 2 0.45 0.53 0.48 182 3 0.29 0.45 0.35 183 4 0.37 0.33 0.35 183 5 0.40 0.44 0.42 182 6 0.27 0.13 0.17 183 7 0.47 0.44 0.45 182 8 0.34 0.27 0.30 182 9 0.41 0.44 0.42 179 10 0.42 0.41 0.41 182avg / total 0.39 0.39 0.38 2000