分类评价模型-准确率（Accuracy）、精确率(Precision)、召回率(Recall)、F值(F-Measure)

分类评价模型-准确率（Accuracy）、精确率(Precision)、召回率(Recall)、F值(F-Measure)

分类评价模型

混淆矩阵

模型评价标准：

TP: 将正类预测为正类数 40

FN: 将正类预测为负类数 20

FP: 将负类预测为正类数 10

TN: 将负类预测为负类数 30

准确率(accuracy) = 预测对的/所有 = (TP+TN)/(TP+FN+FP+TN) = 70%

精确率(precision) = TP/(TP+FP) =40）/（40+10）= 80% （40）/（40+10）=40/50

召回率(recall) = TP/(TP+FN) = 40/(40+20)=2/3

召回率与准确率成反比

准确率（正确率）=所有预测正确的样本/总的样本 （TP+TN）/总

精确率= 将正类预测为正类 / 所有预测为正类 TP/（TP+FP）

召回率 = 将正类预测为正类 / 所有正真的正类 TP/（TP+FN）

F值 = 精确率 * 召回率 * 2 / ( 精确率 + 召回率) （F 值即为精确率和召回率的调和平均值） #################################################### 举例： 所以推荐给你的猴子到底靠不靠谱呢，看看最终结果。 F=(2\times0.67\times0.4)\div(0.67+0.4)=0.5 结果就表明，推荐给你的猴子里，有50%是你想要的公猴子

# 라이브러리를 임포트합니다.from sklearn.model_selection import cross_val_scorefrom sklearn.linear_model import LogisticRegressionfrom sklearn.datasets import make_classification# generate features matrix and target vector# 创建特征矩阵和目标向量X, y = make_classification(n_samples = 10000, n_features = 3, n_informative = 3, n_redundant = 0, n_classes = 2, random_state = 1)# create logistic regression# 创建逻辑回归对象logit = LogisticRegression()# cross-validate model using accuracy# 用准确率进行交叉验证 默认3折交叉验证cross_val_score(logit, X, y, scoring="accuracy")array([0.9555, 0.95 , 0.9585, 0.9555, 0.956 ])# 使用精确度对模型进行交叉验证# 使用精确度对模型进行交叉验证cross_val_score(logit, X, y, scoring="precision")array([0.95963673, 0.94820717, 0.9635996 , 0.96149949, 0.96060606])使用召回率对模型进行交叉验证# 使用召回率对模型进行交叉验证cross_val_score(logit, X, y, scoring="recall")array([0.951, 0.952, 0.953, 0.949, 0.951])# f1 使用f1 对模型进行交叉验证cross_val_score(logit, X, y, scoring="f1")array([0.95166617, 0.95765275, 0.95558223])计算准确率# 直接计算 模型 准确率from sklearn.model_selection import train_test_splitfrom sklearn.metrics import accuracy_score# 创建训练集和测试集X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.1, random_state=1)# 对测试集进行测试y_hat = logit.fit(X_train, y_train).predict(X_test)# 计算准确率accuracy_score(y_test, y_hat)0.947붙임准确率和 精确率from sklearn.model_selection import cross_validate# 计算 准确率和 精确率cross_validate(logit, X, y, scoring=["accuracy", "precision"]){'fit_time': array([0.01994562, 0.01994658, 0.01196933, 0.0129683 , 0.01396203]), 'score_time': array([0.00199556, 0.00199533, 0.00298905, 0.00398493, 0.00199461]), 'test_accuracy': array([0.9555, 0.95 , 0.9585, 0.9555, 0.956 ]), 'test_precision': array([0.95963673, 0.94820717, 0.9635996 , 0.96149949, 0.96060606])}

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。