分类报告是关于分类问题中的关键指标的。

您将获得精确度、召回率、f1 分数和对您尝试查找的每个课程的支持。

• 召回的意思是“你在这个类的元素总数中找到了多少这个类”

• 精度将是“该类别中有多少被正确分类”

• f1-score是准确率和召回率之间的调和平均值

• 支持是数据集中给定类的出现次数（因此您有 37.5K 的 0 类和 37.5K 的 1 类，这是一个非常平衡的数据集。

问题是，精度和召回率被高度用于不平衡的数据集，因为在高度不平衡的数据集中，99% 的准确率可能毫无意义。

我会说你真的不需要查看这些指标来解决这个问题，除非绝对正确地确定给定的类。

要回答您的另一个问题，您无法比较两个类别的精度和召回率。这仅意味着您的分类器最好找到类 0 而非类 1。

准确率和召回率sklearn.metrics.precision_score不recall_score应该不同。但是只要不提供代码，这是不可能确定其根本原因的。

我们可以想象 Precision 和 Recall 是如何捕捉到一大群鱼的。

想象一下，我们在海上划船并放下我们的网。

• 如果鱼群很大，而网很小-> 我们会在网中的非常位置看到鱼，这意味着精度很高。但是我们只得到了一小部分的驱动，这意味着召回率很低。

• 同时，只有一小群鱼，但我们得到了一张巨大的网-> 我们会看到只有一小部分网有鱼，这意味着精度低。但幸运的是，我们在驱动器中捕获了每条鱼，意味着召回率很高。