Scikit-learn中SVM.SVC.score无法获取混淆矩阵，如何计算WAR与UAR？

嘿，这个问题其实很常见——svm.SVC.score()确实只会返回整体的分类准确率，但要计算WAR和UAR，我们只需要先拿到模型对测试集的预测结果，再基于真实标签和预测标签进行计算就行，步骤很清晰：

第一步：获取模型的预测结果 #

在你现有代码的基础上，添加一行代码获取测试集的预测标签，替代只调用score()的方式：

# 原有训练代码保持不变
svmObject.fit(trainXtr, trainY)

# 获取测试集的预测结果
y_pred = svmObject.predict(testXtr)

第二步：计算UAR和WAR的两种方法 #

方法1：用sklearn内置工具快速查看结果

sklearn.metrics.classification_report会直接给出包括UAR（macro avg）和WAR（weighted avg）在内的详细指标，非常方便：

from sklearn.metrics import classification_report

# 打印分类报告
print(classification_report(testY, y_pred))

输出里的macro avg对应的就是未加权平均准确率（UAR）（所有类别准确率的算术平均，不考虑类别样本量），weighted avg对应的就是加权平均准确率（WAR）（每个类别准确率乘以该类样本占总样本的比例后求和，给样本多的类别更高权重）。

方法2：手动计算，理解底层逻辑

如果你想更清楚每个步骤的计算过程，可以手动基于混淆矩阵来推导：

from sklearn.metrics import confusion_matrix
import numpy as np

# 生成混淆矩阵：行=真实类别，列=预测类别
cm = confusion_matrix(testY, y_pred)

# 计算每个类别的单独准确率：正确预测数（对角线）/ 该类总样本数（行求和）
class_accuracies = cm.diagonal() / cm.sum(axis=1)

# 计算UAR：所有类别准确率的平均值
uar = np.mean(class_accuracies)

# 计算WAR：每个类别准确率乘以该类的样本占比，再求和
class_sample_ratios = cm.sum(axis=1) / cm.sum()  # 每个类别的样本数占总样本的比例
war = np.sum(class_accuracies * class_sample_ratios)

# 输出结果
print(f"未加权平均准确率（UAR）：{uar:.4f}")
print(f"加权平均准确率（WAR）：{war:.4f}")

补充说明 #

• 如果你的数据集存在类别不平衡的情况，WAR会更偏向样本量多的类别表现，而UAR会平等对待所有类别的表现，选择哪个指标取决于你的业务需求。
• 你代码里设置了class_weight=None，如果需要让模型在训练时考虑类别不平衡，可以调整这个参数（比如class_weight='balanced'），但这不会影响WAR和UAR的计算逻辑。

内容的提问来源于stack exchange，提问作者Farid J. Maleki