classification_report与precision_score有什么关联？precision_score报错如何解决？

二者关联 #

二者均为scikit-learn metrics模块下的官方分类评估工具，底层的精确率、召回率、F1值计算逻辑完全一致：

• classification_report 是批量计算工具，会自动遍历所有类别分别计算各指标，同时输出macro、weighted等聚合平均结果，最终格式化为可视化表格
• precision_score、recall_score、f1_score 是单指标计算函数，默认针对二分类场景下的正类返回单值结果，也支持通过参数配置返回多分类的平均指标

报错原因 #

你的数据集标签为字符串类型的ham和spam，而precision_score、recall_score、f1_score三个函数的默认参数pos_label=1，这个默认值仅适用于标签为0/1数值类型的二分类场景，你的标签集合中不存在1这个值，因此触发参数校验报错。
classification_report 不需要指定正类，默认会遍历所有类别计算指标，因此可以正常输出结果。

解决方法 #

根据你的使用需求选择对应配置即可：

场景1：计算单个类别的指标（比如垃圾邮件分类场景下通常spam为正类） #

显式指定pos_label参数为对应类别值即可，修改后代码如下：

from sklearn.metrics import accuracy_score  
from sklearn.metrics import precision_score   
from sklearn.metrics import recall_score      
from sklearn.metrics import f1_score         

print(accuracy_score(y_test,predicted))
# 指定正类为spam
print(precision_score(y_test,predicted, pos_label='spam'))
print(recall_score(y_test,predicted, pos_label='spam'))
print(f1_score(y_test,predicted, pos_label='spam'))

运行后输出的结果会和classification_report中spam对应的precision 1.00、recall 0.74、f1-score 0.85完全一致。

场景2：计算全局平均指标（对应classification_report中的macro avg或weighted avg） #

指定average参数即可，不需要传pos_label：

# 计算macro平均（各类别指标算术平均）
print(precision_score(y_test,predicted, average='macro'))
print(recall_score(y_test,predicted, average='macro'))
print(f1_score(y_test,predicted, average='macro'))

# 计算weighted平均（各类别指标按样本占比加权平均）
print(precision_score(y_test,predicted, average='weighted'))
print(recall_score(y_test,predicted, average='weighted'))
print(f1_score(y_test,predicted, average='weighted'))

运行后输出的结果会和classification_report中对应平均行的数值完全一致。

内容的提问来源于stack exchange，提问作者Sredyu