對於二分類問題，precision，recall，auc，f1_score的計算原理都比較熟悉，但是多分類問題的計算還是有一點小小的區別，在使用sklearn.metrics的時候需要注意一下；

對於sklearn.metrics下的roc_auc_score, precision_score, recall_score, f1_score的幾個引數需要設定：

sklearn.metrics.precision_score(y_true,y_pred,labels=None,pos_label=1,average=’binary’,sample_weight=None)

以precision_score為例，主要是average引數有幾種選擇：

binary：二分類

macro：每個標籤都計算precision，然後求平均，不考慮資料均衡問題

micro：計算全資料的precision

weighted,：每個標籤都計算precision，然後考慮各個類別資料量權重加權求和

samples：多標籤問題使用

所以在資料均衡情況下一般使用macro

f1_score 的計算公式 f1_score = (1+1²) * p * r / 1²* r + p

從公式中可以看出引數1其實是準確率和召回率的調和引數，小於1則提高準確率的權重，大於1則提高召回率的權重，因此在實際中也有F0.5-score， F2-score的使用