是精度= 56% 还是 25% 以及召回率和 f1 分数？

不，因为精度、召回率和 f1-score 仅针对二元分类定义，而本报告是关于多类分类问题（有 8 个类）。

注意：为了理解这种分类报告，首先需要了解事物在混淆矩阵中是如何工作的（使用 sklearn 可以使用函数confusion_matrix）。混淆矩阵为每个真实类 X 和每个预测类 Y 显示具有真实类 X 并被预测为类 Y 的实例的数量。分类报告中的值是从混淆矩阵中计算出来的，这是一个很好的练习手动计算几次，以了解分类报告中的工作方式。

• 分类报告第一部分中的每一行都侧重于一个类 X 与任何其他类。这意味着它给出了准确率、召回率和 f1 分数值，就好像只有两个类别：X 和“非 X”。
• 在报告的第二部分中，精度、报告和 f1 分数值是跨类汇总的。但是有不同的方式来聚合它们，每种方式都意味着不同的东西（另见这个问题）。
  • 宏观平均是跨类的简单平均。这意味着它不关心每个类有多少实例，它认为所有实例都同等重要。
  • 加权平均加权每个类值及其在数据中的比例。这意味着它对大类比对小类更重要，因此它倾向于掩盖小类的问题。

这个分类器有一个共同的问题：它忽略了所有的小类，只预测了 3 个最大的类 3,4 和 7。