我正在尝试在10折交叉验证中获取正类别和负类别的精确度和召回率的平均值。我的模型是一个二分类器。

我运行了下面的代码，但遗憾的是它只返回了正类别的平均精确度和召回率。我如何才能让算法也返回负类别的平均精确度和召回率呢？

from sklearn.metrics import make_scorer, accuracy_score, precision_score, recall_score, f1_scorefrom sklearn.model_selection import cross_validatescoring = {'accuracy' : make_scorer(accuracy_score),            'precision' : make_scorer(precision_score),           'recall' : make_scorer(recall_score),            'f1_score' : make_scorer(f1_score)}results = cross_validate(model_unbalanced_data_10_times_weight, X, Y, cv=10, scoring=scoring)np.mean(results['test_precision'])np.mean(results['test_recall'])

我还尝试使用命令”classification_report(y_test, predictions)“打印分类报告，结果如下的截图所示。然而，我认为分类报告中的精确度/召回率得分仅基于一次运行，而不是10折的平均值（如果我错了，请纠正我）。

回答：

基于我们上面的讨论，我确实认为计算每个cv折的预测并在其上计算cross_validation_report应该是正确的方法。现在结果应该考虑到cv折的数量了：

>>> from sklearn.metrics import classification_report>>> from sklearn.datasets import load_iris>>> from sklearn.ensemble import RandomForestClassifier>>> from sklearn.model_selection import cross_val_predict>>> >>> iris = load_iris()>>> >>> rf_clf = RandomForestClassifier()>>> >>> preds = cross_val_predict(estimator=rf_clf,...                           X=iris["data"],...                           y=iris["target"],...                           cv=15)>>> >>> print(classification_report(iris["target"], preds))              precision    recall  f1-score   support           0       1.00      1.00      1.00        50           1       0.92      0.94      0.93        50           2       0.94      0.92      0.93        50    accuracy                           0.95       150   macro avg       0.95      0.95      0.95       150weighted avg       0.95      0.95      0.95       150