前面我们已经深入讨论了二分类任务的评估，接下来我们看一下对多分类问题的指标评估：多分类问题的所有指标基本上都来自二分类指标，但是要求对所有类别进行平均。

多分类的精度被定义为正确分类的样本所占的比例，同样，如果类别是不平衡的，精度比不是很好的评估度量。一般来说，多分类问题比二分类问题更加难以理解。除了精度，常用的工具也有混淆矩阵和分类报告，我们在上一节二分类的例子中出现过。下面我们将这两种详细的评估方法应用于对digits数据集中10种不同手写数字进行分类任务：

from sklearn.metrics import accuracy_score

from sklearn.metrics import confusion_matrix

from sklearn.datasets import load_digits

digits = load_digits()

y = digits.target

from sklearn.metrics import accuracy_score

x_train, x_test, y_train, y_test = train_test_split(digits.data, y, random_state=0)

lr = LogisticRegression().fit(x_train, y_train)

pred = lr.predict(x_test)

print("Accuracy value is: {:.3f}".format(accuracy_score(y_test, pred)))

print("Confusion matrix:{}".format(confusion_matrix(y_test, pred)))

运行后其结果为：

从运行结果可以看出，其精度为0.976，这个精度已经很高了，混淆矩阵提供了更多的细节，与二分类的情况类似，每一行对应于真实标签，每一列对应于预测标签。

对于其视觉显示代码如下：

score_image = mglearn.tools.heatmap(confusion_matrix(y_test, pred), xlabel='predicted label',

ylabel='True label', xticklabels=digits.target_names,

yticklabels=digits.target_names, cmap=plt.cm.gray_r, fmt="%d")

plt.title("Confusion_matrix")

plt.gca().invert_yaxis()

运行结果为：

从运行结果来看，第一个类别(数字0)，包含了37个样本，所有这些样本都被划分为类别0(即没有假反例：因为混淆矩阵中的第一行其他所有元素都为0；另外同时其他数字没有被误分为0，这是混淆矩阵第一列中其他所有元素都为0(类别0也没有假反例))。

类别2(数字1)43个样本，其中39个被划分为1，分别有2个被划分成了6和8(假反例)，有5个假正例，分别为1个5和1个7还有3个8。其他类别的样例分析类似。

利用classification_report函数分别计算每个类别的准确率、召回率以及f-分数

print(classification_report(y_test, pred))

from sklearn.metrics import classification_report

运行后结果为：

正如所料，类别0的准确率和召回率都是完美的1，因为这个类别中没有混淆；类别7的争取率为1，因为没有其他类别被误分为7，但是其回收率为0.74，因为有1个7被误分为1，说明有假正例。同理方式用来分析其他类。

对于多分类问题中的不平衡数据集，最常用的指标就是多分类版本的f-分数，多数分类f-分数的背后思想是，对于每个类别计算一个二分类f-分数，其中该类别是正类，其他所有类别是反类。然后，使用以下策略之一对这些f-分数进行平均。

“宏”(macro)平均：计算未加权的按类别f1-分数，他对所有类别给出相同的权重，无论类别中的样本量大小。

“加权”(weight)平均：以每个类别的支持作为权重来计算按类别f1-分数的平均值，分类报告中给出的就是这个值。

“微”(micro)平均：计算所有类别中假正例、假反例和真正例的总数，然后利用这些计算来计算准确率、召回率和f1-分数。

如果你对每个样本等同看待，那么推荐用“微”平均f1-分数；如果对每个类别等同看待，则推荐用“宏”平均f1-分数。

print("Micro average f1 score: {:.3f}".format(f1_score(y_test, pred, average="micro")))

print("Macro average f1 score: {:.3f}".format(f1_score(y_test, pred, average="macro")))

运行后其f1-分数分别为：

Micro average f1 score: 0.953

Macro average f1 score: 0.954

回归指标：对回归问题可以像分类问题一样进行详细评估。如：对目标值估计过高与目标值估计过低进行对比分析。但是，对于我们见过的大多数应用来说，使用默认R²就足够了，它由所有回归其的score方法给出。业务决策有时是根据均方误差或平均绝对误差做出的，这会鼓励人们使用这些指标来调节模型。但是一般来说，我们认为R²是评估回归模型更直观的指标。