Obtention de la même valeur pour Precision and Recall (K-NN) en utilisant sklearn

Question

Question mise à jour: Je l'ai fait, mais j'obtiens le même résultat pour la précision et le rappel parce que j'utilise average = 'binary'?

mais quand je l'utilise en moyenne = 'macro' Je reçois ce message d'erreur:

test Un examen personnalisé messageC: \ Python27 \ lib \ site-packages \ sklearn \ métriques \ classification.py: 976 : DeprecationWarning: A partir de la version 0.18, l'entrée binaire ne sera pas traitée spécialement lors de l'utilisation de précision/rappel/F-score moyennés. S'il vous plaît utilisez average = 'binary' pour signaler uniquement les performances de la classe positive.
. Classe de performance positive », DeprecationWarning)

Voici mon code mis à jour:

path = 'opinions.tsv' 
data = pd.read_table(path,header=None,skiprows=1,names=['Sentiment','Review']) 
X = data.Review 
y = data.Sentiment 
#Using CountVectorizer to convert text into tokens/features 
vect = CountVectorizer(stop_words='english', ngram_range = (1,1), max_df = .80, min_df = 4) 
X_train, X_test, y_train, y_test = train_test_split(X,y,random_state=1, test_size= 0.2) 
#Using training data to transform text into counts of features for each message 
vect.fit(X_train) 
X_train_dtm = vect.transform(X_train) 
X_test_dtm = vect.transform(X_test) 




#Accuracy using KNN Model 
KNN = KNeighborsClassifier(n_neighbors = 3) 
KNN.fit(X_train_dtm, y_train) 
y_pred = KNN.predict(X_test_dtm) 
print('\nK Nearest Neighbors (NN = 3)') 



#Naive Bayes Analysis 
tokens_words = vect.get_feature_names() 
print '\nAnalysis' 
print'Accuracy Score: %f %%'% (metrics.accuracy_score(y_test,y_pred)*100) 
print "Precision Score: %f%%" % precision_score(y_test,y_pred, average='binary') 
print "Recall Score: %f%%" % recall_score(y_test,y_pred, average='binary') 

En utilisant le code ci-dessus, je reçois même valeur pour la précision et le rappel

Nous vous remercions de répondre à ma question, très apprécié.

Answer 1

Pour calculer precision et recall métriques, vous devez importer les méthodes de sklearn.metrics selon.

Comme il est indiqué dans la documentation, leurs paramètres sont 1-d des tableaux de vrai et les étiquettes prédit:

from sklearn.metrics import precision_score 
from sklearn.metrics import recall_score 

y_true = [0, 1, 2, 0, 1, 2] 
y_pred = [0, 2, 1, 0, 0, 1] 

print('Calculating the metrics...') 

recision_score(y_true, y_pred, average='macro') 
>>> 0.22 

recall_score(y_true, y_pred, average='macro') 
>>> 0.33