在python机器学习中，classification_report函数用于输出模型评估报告，其中查全率的定义公式被包含

可以描述为 实际是该标签的样例中，预测结果是该标签的所占比。

以该例的标签’3’为例，
‘3’标签预测了4次，成功了2次，则查准率为

所有标签一共预测了9次，其中3标签预测了4次，则其它标签预测了5次，这五次中有1次是3标签，即FN=1则查全率为：

查准率和查全率是一对矛盾的度量，一般来说，查准率高时，查全率往往会偏低，查全率高时，查准率往往会偏低。通常只可能在一些简单任务中，才可能使查准率和查全率都很高。

此时结合名字，不难看出：查全率，是在衡量关于某标签的预测结果涵盖的是否“周全”，查全率高意味着，即某个标签预测得准确率不一定高，但是其真实值会大量存在于或者被包含于预测值中。

f1-score也称F1，

F1是基于查准率与查重率 的调和平均定义的：

accruracy 整体的准确率 即正确预测样本量与总样本量的比值。（不是针对某个标签的预测的正确率）

macro avg 即宏均值，可理解为普通的平均值。
macro-P 宏查准率
macro-R 宏查全率
macro-F1 宏F1

对应的概念还有 微均值 micro avg

公式经过等价转换，分子分母同时乘以标签个数，micro-P等价于所有类别中预测正确量与总样本量的比值。
micro-R 同理，即所有类别中预测正确的量占该标签实际数量的比例。