python多分类混淆矩阵查准率计算公式

在Python中，可以使用混淆矩阵来计算多分类模型的查准率（Precision）。

查准率表示模型预测为某个类别的样本中，真实属于该类别的比例。计算查准率的公式如下：

Precision = TP / (TP + FP)

其中，TP表示模型正确预测为该类别的样本数量，FP表示模型将其他类别的样本错误地预测为该类别的数量。

下面是一个示例代码，使用sklearn库计算多分类模型的查准率：

from sklearn.metrics import confusion_matrix

# 假设有一个真实标签和预测标签的列表
y_true = [1, 2, 1, 3, 2, 1]
y_pred = [1, 3, 2, 3, 2, 1]

# 计算混淆矩阵
confusion_mat = confusion_matrix(y_true, y_pred)

# 获取每个类别的TP和FP
TP = confusion_mat.diagonal()
FP = confusion_mat.sum(axis=0) - TP

# 计算查准率
precision = TP / (TP + FP)

在上面的代码中，`y_true`和`y_pred`分别是真实标签和预测标签的列表。通过`confusion_matrix`函数计算混淆矩阵，然后根据混淆矩阵计算每个类别的TP和FP，最后使用上述公式计算查准率。