我使用scikit-learn来执行二进制分类，但标签并非在整个数据集中均匀分布。对于我对预测少数群体类感兴趣的情况，我对metrics.average_precision_score提供的平均精度度量有一些担忧。当我运行实验并打印分类报告时，我发现整体精度方面表现良好，但这显然来自模型在预测大多数类时表现良好，如下所示：
precision recall f1-score support
label of interest 0.24 0.67 0.35 30
non-label 0.97 0.81 0.88 300
然后average precision报告为0.9752左右。对于大多数班级来说，这个平均精确分数显然是在报告的，这对我来说并不是真正有兴趣识别的班级。是否有某种方法可以修改metrics.average_precision_score函数来报告与少数感兴趣类相关的指标？非常感谢任何见解 - 感谢阅读。
答案 0 :(得分：3)
您可以设置average=None以获得每个班级的平均精确度分数（docs）。但请记住，平均精度分数会考虑所有可能的阈值，而分类报告只显示一个阈值，这可能偏向大多数类别。
答案 1 :(得分：1)
经过多次修补后找出解决方案。我一直在使用预处理工具LabelEncoder()自动编码训练和测试集的标签。我执行二进制分类，因此标签只需要0或1的编码。但是，执行此操作时，该函数会自动将多数类编码为1，将少数类编码为0。对于我有兴趣预测少数类（通常是这样）的情况，这会使average precision函数的报告偏向于支持大多数类，无论我是＆＃ 39;有兴趣预测这一点。
这导致我提出另一个问题here关于＆＃34;翻转＆＃34;我的标签所分配到的数组中的0和1值，并且看，它正在工作。因此，最重要的是要更加有意识地确保我对预测感兴趣的类总是编码为1，并确保其他类被编码为0。