一些算法中的准确率、精确率、召回率和F值

目录

1.准确率(Accuracy)

2.精确率(Precision)

3.召回率(Recall)

4.F值(F-measure)

利用Python中的sklearn实现上述公式计算

---

以分类问题为例

	标签1	标签0
预测1	TP	FP
预测0	FN	TN

1.TP(True Positive)真正例：表示预测为真，实际也为真

2.FP(False Positive)假正例：表示预测为真，实际为假

3.TN(True Negetive)真负例：表示预测为假，实际为假

4.FN(False Negetive)假负例：表示预测为假，实际为真

扫描二维码关注公众号，回复： 12620311 查看本文章

1.准确率(Accuracy)

即所有预测都正确的比率：

2.精确率(Precision)

查准率，正确预测为正占全部预测为正的比例，全部预测为1中实际标签为1的比率：

3.召回率(Recall)

查全率，正确预测为正占全部正样本的比例。实际标签为1中正确预测为1的比率：

4.F值(F-measure)

F-measure是Precision和Recall的加权调和平均：

当时

利用Python中的sklearn实现上述公式计算

方法一

# 构建混淆矩阵
from sklearn.metrics import confusion_matrix
confusion_matrix(y_test_labels, y_pred_labels)
 
# 精准率与召回率
from sklearn.metrics import accuracy_score, precision_score, recall_score
print(accuracy_score(y_test_labels, y_pred_labels))
print('-========')
print(precision_score(y_test_labels, y_pred_labels))
print('-========')
print(recall_score(y_test_labels, y_pred_labels))
 
# f1 score
from sklearn.metrics import f1_score
f1_score(y_test_labels, y_pred_labels)

方法二

from sklearn.metrics import precision_recall_fscore_support
precision, recall, f1score, support = precision_recall_fscore_support(y_true, y_pred, beta=1.0, labels=None, 
pos_label=1, average=None, warn_for=(‘precision’, ’recall’, ’f-score’), sample_weight=None)