对于二分类问题，precision，recall，auc，f1_score的计算原理都比较熟悉，但是多分类问题的计算还是有一点小小的区别，在使用sklearn.metrics的时候需要注意一下；

对于sklearn.metrics下的roc_auc_score, precision_score, recall_score, f1_score的几个参数需要设置：

sklearn.metrics.precision_score(y_true, y_pred, labels=None, pos_label=1, average=’binary’, sample_weight=None)

以precision_score为例，主要是average参数有几种选择：

binary：二分类

macro：每个标签都计算precision，然后求平均，不考虑数据均衡问题

micro：计算全数据的precision

weighted,：每个标签都计算precision，然后考虑各个类别数据量权重加权求和

samples：多标签问题使用

所以在数据均衡情况下一般使用macro

 

f1_score 的计算公式 f1_score = (1+1²) * p * r / 1² * r + p

从公式中可以看出参数1其实是准确率和召回率的调和参数，小于1则提高准确率的权重，大于1则提高召回率的权重，因此在实际中也有F0.5-score， F2-score的使用