from sklearn.metrics import precision_score,recall_score

print (precision_score(y_true, y_scores,average=‘micro‘))

sklearn.metrics模塊實現了一些loss, score以及一些工具函數來計算分類性能。一些metrics可能需要正例、置信度、或二分決策值的的概率估計。大多數實現允許每個sample提供一個對整體score來說帶權重的分布，通過sample_weight參數完成。

一些二分類(binary classification)使用的case：

• matthews_corrcoef(y_true, y_pred)
• precision_recall_curve(y_true, probas_pred)
• roc_curve(y_true, y_score[, pos_label, …])

一些多分類(multiclass)使用的case：

• confusion_matrix(y_true, y_pred[, labels])
• hinge_loss(y_true, pred_decision[, labels, …])

一些多標簽(multilabel)的case:

• accuracy_score(y_true, y_pred[, normalize, …])
• classification_report(y_true, y_pred[, …])
• f1_score(y_true, y_pred[, labels, …])
• fbeta_score(y_true, y_pred, beta[, labels, …])
• hamming_loss(y_true, y_pred[, classes])
• jaccard_similarity_score(y_true, y_pred[, …])
• log_loss(y_true, y_pred[, eps, normalize, …])
• precision_recall_fscore_support(y_true, y_pred)
• precision_score(y_true, y_pred[, labels, …])
• recall_score(y_true, y_pred[, labels, …])
• zero_one_loss(y_true, y_pred[, normalize, …])

還有一些可以同時用於二標簽和多標簽（不是多分類）問題：

• average_precision_score(y_true, y_score[, …])
• roc_auc_score(y_true, y_score[, average, …])

多分類評價指標python代碼