给定的分类报告是通过对测试数据运行随机森林二元分类器获得的。训练数据中存在巨大的类不平衡。我如何解释给定的分类报告显示一个特定标签的非常高的值？
precision recall f1-score support
0 0.98 1.00 0.99 35050
1 0.98 0.72 0.83 1982
total 0.98 0.98 0.98 37032
精度是该类别的预测为真的比例。因此，每个类别的 98% 的预测实际上属于预测类别，而 2% 实际上属于相反类别。召回率是被识别为真阳性的比例。这意味着您的模型正确识别了 100% 的 0 类，但只有 72% 的 1 类。
F1-Score是两者的一种平均；这是试图提供模型性能的统一数字，但我个人认为它不如单独的数字有用。它是通过公式计算的2 x ((precision x recall) / (precision + recall))。
维基百科关于这些指标的页面非常全面：
https://en.wikipedia.org/wiki/Precision_and_recall
https://en.wikipedia.org/wiki/F1_score