在对多分类任务模型进行性能评估时可能会遇到如下问题：

model = GaussianNB()
model.fit(x_train,y_train)
y_predict = model.predict(x_test)
precision_score(y_predict,y_test)

报错表示，average参数是binary，不适用于多分类任务，应该换成micro，macro，weight等。我们查看一下precision_score函数的详细信息。

average是precision_score函数的一个参数，average='binary’适用于二分类问题，而你正在处理的是一个多分类问题。在多分类问题中，average='binary’是不适用的，因为它只考虑两个类（正类和负类）。

你可以选择以下几种方式来处理多分类问题：

average=‘micro’:
计算全局的统计量（所有类别的真实正例、假正例等），然后基于这些全局统计量来计算评价指标。适用于当你关心每个类别的权重相同的情况。

average=‘macro’:
对每个类别单独计算指标，然后取这些指标的平均值。所有类别的权重是相同的，因此它不考虑类别的不平衡。

average=‘weighted’:
对每个类别的指标进行加权平均，权重是每个类别的样本数量。这种方法适用于类别不平衡问题，较大的类别会对最终结果产生更多影响。

average=‘samples’:
适用于多标签分类，计算每个样本的指标，然后取平均值。