机器学习中的评价标准

2022-04-09 15:00:06 阅读：256 来源： 互联网

标签：FP 机器 pred precision TP 学习评价 avg class

from sklearn.metrics import classification_report
y_true = [0, 1, 2, 2, 2]
y_pred = [0, 0, 2, 2, 1]
target_names = ['class 0', 'class 1', 'class 2']
print(classification_report(y_true, y_pred, target_names=target_names))

输出：

                precision    recall  f1-score   support

     class 0       0.50      1.00      0.67         1
     class 1       0.00      0.00      0.00         1
     class 2       1.00      0.67      0.80         3

    accuracy                           0.60         5
   macro avg       0.50      0.56      0.49         5
weighted avg       0.70      0.60      0.61         5

其中列表左边的一列为分类的标签名，右边support列为每个标签的出现次数．precision recall f1-score三列分别为各个类别的精确度/召回率及 F1值．

TP:预测为1(Positive)，实际也为1(Truth-预测对了)
TN: 预测为0(Negative)，实际也为0(Truth-预测对了)
FP: 预测为1(Positive)，实际为0(False-预测错了)
FN: 预测为0(Negative)，实际为1(False-预测错了)

Accuracy = (TP+TN) ⁄（TP + FP + TN + FN）

Precision =TP ⁄（TP+FP）

Recall = TP ⁄（TP+FN）

Precision又叫查准率，Recall又叫查全率

F1 = 2Precision *Recall ⁄（Precision+Recall）

macro avg 为算术平均值，以precision为例，macro avg = （0.50 + 0 + 1.00） ⁄ 3 = 0.50

weighted avg 是用每一个类别样本数量在所有类别的样本总数的占比作为权重以precision为例， weighted avg = （0.5*1 + 0*1 + 1*3）/5 = 0.7

此外还有micro avg

from sklearn.metrics import confusion_matrix, precision_score

y_true = ["A", "A", "A", "A", "B", "B", "C", "C", "C", "C", "C"]
y_pred = ["A", "B", "A", "A", "B", "A", "B", "C", "C", "C", "C"]
print(confusion_matrix(y_true, y_pred))
print(precision_score(y_true, y_pred, average='micro'))

[[3 1 0] [1 1 0] [0 1 4]] 
0.7272727272727273

对于类别A，它的TP=3, FP=1；对于类别B，它的TP=1， FP=1；对于类别C，它的TP=4，FP=1，因此micro avg precision为：

(3+1+4)/(3+1+1+1+4+1)=0.7273

标签：FP,机器,pred,precision,TP,学习,评价,avg,class
来源： https://www.cnblogs.com/bonne-chance/p/16122037.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

机器学习中的评价标准