classification_report可一键输出各类指标及平均值，需注意y_true在前、y_pred在后，标签需一致且长度匹配；设output_dict=true可返回字典便于取值，配合labels参数可控制顺序与范围。
直接用 classification_report 打印完整指标
调用 sklearn.metrics.classification_report 就能一次性输出 precision、recall、f1-score、support，不用手动算每个类的指标。它默认按类别逐行展示，末尾带 macro/weighted avg 行，适合快速诊断模型在各类别上的表现差异。
常见错误是传错参数顺序：必须是 y_true 在前、y_pred 在后；如果传反了，指标值会严重失真但不报错，容易误判模型效果。
实操建议：
- 确保
y_true和y_pred长度一致，且元素类型相同（比如都是int或都是str） - 若标签是数字但没对齐类别顺序（比如真实标签含 0/2/4，预测含 0/1/2），报告会错位——先用
np.unique(y_true)和np.unique(y_pred)核对标签集合 - 加
target_names参数可让输出更易读，例如target_names=['cat', 'dog', 'bird']
把 classification_report 结果转成字典或 DataFrame 方便后续处理
默认打印是纯文本，没法取单个数值（比如只拿 'f1-score' for class 'dog'）。想做自动化分析或画图，得让它返回结构化数据。
关键点：设 output_dict=True，函数就返回嵌套字典，外层键是类别名或 'macro avg'，内层键是指标名。
实操建议：
- 返回字典后，
report_dict['dog']['f1-score']就能直接取值；注意 'macro avg' 和 'weighted avg' 也是合法键名 - 转
pandas.DataFrame更直观：pd.DataFrame(classification_report(..., output_dict=True)).T，转置后类别变行索引，指标变列 - 如果用了
labels参数指定子集（如只看前3类），output_dict=True仍生效，但字典里只含你指定的类
中文标签或自定义标签名导致对齐错乱怎么办
当 y_true 是中文字符串（如 ['苹果', '香蕉', '橙子']），classification_report 默认按字典序排序输出，可能和你业务习惯的顺序不符（比如想按“苹果→香蕉→橙子”固定顺序）。
根本原因是函数内部对标签做了 sorted(set(y_true))，没保留原始顺序。
实操建议：
- 显式传
labels参数，按需指定顺序：labels=['苹果', '香蕉', '橙子'] - 避免用中文空格、全角标点等不一致字符，否则
'苹果 '和'苹果'被视为不同类，support 为 0，报告出现异常行 - 如果 label 是 ID（如 101, 205, 307），但你想显示对应名称，先用映射字典转换
y_true和y_pred，再传给classification_report
classification_report 的 support 值为 0 是什么情况
某一行的 support 为 0，意味着该类在 y_true 中完全没出现——不是预测错了，是根本没这个真值样本。此时 precision/recall/f1-score 显示为 0.00 或 nan，不可信。
这通常暴露数据问题：训练/验证集划分不均、标签清洗遗漏、或多分类任务中某个类样本极少被漏采。
实操建议：
- 运行前先检查
np.bincount(y_true)（数值标签）或pd.Series(y_true).value_counts()（任意类型），确认每个类都有足够样本 - 如果某类确实稀疏（如少于 5 个样本），
classification_report给出的指标波动极大，慎用；考虑用confusion_matrix辅助看具体错分模式 - 设置
zero_division=0可避免nan，但只是掩盖问题，不能替代数据排查
labels 和 target_names 的配合——前者控制计算范围，后者只影响打印文字，两者不一致就会看到“报告里有类名但数值对不上”。Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
