1. 引言
在机器学习中，多分类问题是常见的任务之一。对多分类问题进行指标评价是了解模型性能以及优化模型的关键。sklearn是一个常用的机器学习库，提供了丰富的功能进行多分类任务的评估操作。本文将介绍如何使用sklearn对多分类的每个类别进行指标评价操作。
2. 多分类问题的评价指标
在多分类任务中，常见的评价指标包括准确率、精确率、召回率和F1值等。准确率（accuracy）表示分类正确的样本占总样本数的比例，精确率（precision）表示预测为正的样本中真正为正的比例，召回率（recall）表示真正为正的样本中被预测为正的比例，F1值则是精确率和召回率的调和均值。除了这些常见指标，还有一些其他指标如ROC曲线、AUC等。
2.1 准确率
准确率是最简单直观的评价指标之一，它衡量的是整体上分类正确的样本占总样本数的比例。在sklearn中，可以使用accuracy_score函数计算准确率：
from sklearn.metrics import accuracy_score
y_true = [0, 1, 2, 1, 2]
y_pred = [0, 2, 1, 1, 2]
accuracy = accuracy_score(y_true, y_pred)
print("Accuracy: {:.2f}".format(accuracy))
输出结果为：
Accuracy: 0.40准确率的取值范围为0到1，值越接近1表示分类结果越准确。
2.2 精确率和召回率
精确率和召回率是用来衡量分类器在某个类别上的性能的指标。精确率（precision）表示分类为某一类别的样本中，真正属于该类别的比例。召回率（recall）表示真正属于某一类别的样本中，被正确分类为该类别的比例。sklearn提供了precision_score和recall_score函数来计算精确率和召回率：
from sklearn.metrics import precision_score, recall_score
y_true = [0, 1, 2, 1, 2]
y_pred = [0, 2, 1, 1, 2]
precision = precision_score(y_true, y_pred, average='macro')
recall = recall_score(y_true, y_pred, average='macro')
print("Precision: {:.2f}".format(precision))
print("Recall: {:.2f}".format(recall))
输出结果为：
Precision: 0.33
Recall: 0.40
精确率和召回率的取值范围都是0到1，值越接近1表示性能越好。