如何在sklearn的MultinomialNB中获取预测的召回率与精确率？

你误解了MultinomialNB的方法——它完全支持获取预测结果列表，只需要调用predict()方法即可。结合sklearn的评估指标模块，就能轻松计算精确率和召回率。

完整实现步骤 #

1. 调用模型的predict(x_test)方法得到预测标签列表
2. 使用sklearn.metrics中的precision_score和recall_score计算对应的指标

示例代码 #

from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import precision_score, recall_score

# 初始化并训练模型
model = MultinomialNB()
model.fit(x_train, y_train)

# 获取预测结果
y_pred = model.predict(x_test)

# 计算精确率与召回率（二分类场景）
precision = precision_score(y_test, y_pred)
recall = recall_score(y_test, y_pred)

print(f"精确率: {precision:.4f}")
print(f"召回率: {recall:.4f}")

多分类场景的处理 #

如果你的任务是多分类，需要指定average参数来定义多分类下的指标计算方式，常用选项包括：

• 'micro': 全局计算所有类别的TP、FP、FN，再计算指标
• 'macro': 计算每个类别的指标后取算术平均
• 'weighted': 计算每个类别的指标后按样本量加权平均

示例代码：

# 多分类场景下的精确率与召回率计算
precision_macro = precision_score(y_test, y_pred, average='macro')
recall_macro = recall_score(y_test, y_pred, average='macro')

print(f"多分类宏平均精确率: {precision_macro:.4f}")
print(f"多分类宏平均召回率: {recall_macro:.4f}")

另外，model.score()方法默认返回的是准确率（accuracy），即预测正确的样本占总样本的比例，和精确率、召回率是不同的评估指标，不要混淆。

内容的提问来源于stack exchange，提问作者Vali