机器学习：性能度量_分类_混淆矩阵、查准率(precision)、查全率(recall)

一、混淆矩阵

1.二分类

对于二分类问题，分类器在测试集上的预测或者正确或者不正确，令

• TP(True Positive):分类器将正类预测为正类的数量。
• FN(False Negative):分类器将正类预测为负类的数量。
• FP(False Positive):分类器将负类预测为正类的数量。
• TN(True Negative):分类器将负类预测为负类的数量。

真值情况	预测结果
	正类	反类
正类	TP	FN
反类	FP	TN

2.confusion_matrix

2.1原型
sklearn.metrics.confusion_matrix(y_true,y_pred,labels=None)

2.2参数

• y_true:样本集的真实标记。
• y_pred:分类器对样本集预测的预测值。
• labels:指定混淆矩阵中出现哪些类别。

2.3示例代码

from sklearn.metrics import confusion_matrix
y_true = [1,1,1,1,1,0,0,0,0,0]
y_pred = [0,0,1,1,0,0,0,0,0,0]
print("Confusion Matrix:\n",confusion_matrix(y_true,y_pred))

Confusion Matrix:
 [[5 0]
 [3 2]]

3.多分类

多分类仍然可以使用混淆矩阵

from sklearn.metrics import confusion_matrix
y_true = [1,2,2,1,1,0,1,1,0,2]
y_pred = [1,2,1,1,1,0,2,1,0,1]
print("Confusion Matrix:\n",confusion_matrix(y_true,y_pred))

Confusion Matrix:
 [[2 0 0]
 [0 4 1]
 [0 2 1]]

二、查准率(precision)

1.查准率的定义：$precision = \frac{TP}{TP+FP}$

2.含义：所有被预测为正类中真正正类的比例。

3.precision_score

3.1原型

• sklearn.metrics.precision_score(y_true,y_pred,labels=None,pos_label=1,average=’binary’,sample_weight=None)

3.2参数

• y_true:样本集的真实标记。
• y_pred:分类器对样本集预测的预测值。
• pos_label:一个字符串或整数，指定哪个标记值属于正类。
• average:一个字符串，用于多分类问题。
• sample_weight:样本权重，默认每个样本的权重为1。

3.3示例代码

from sklearn.metrics import accuracy_score,precision_score
y_true = [1,1,1,1,1,0,0,0,0,0]
y_pred = [0,0,1,1,0,0,0,0,0,0]
print("Accuracy Score:",accuracy_score(y_true,y_pred,normalize=True))
print("Precision Score",precision_score(y_true,y_pred))

Accuracy Score: 0.7
Precision Score 1.0

三、召回率(recall)

1.召回率定义：$recall = \frac{TP}{TP+FN}$

2.含义：所有正类中，被找出的正类的比例。

3.recall_score

3.1原型

• sklearn.metrics.recall_score(y_true,y_pred,labels=None,pos_labels=1,average=’binary’,sample_weight=None)

3.2参数

• y_true:样本集的真实标记。
• y_pred:分类器对样本集预测的预测值。
• pos_label:一个字符串或整数，指定哪个标记值属于正类。
• average:一个字符串，用于多分类问题。
• sample_weight:样本权重，默认每个样本的权重为1。

3.3示例代码

扫描二维码关注公众号，回复： 2171411 查看本文章

from sklearn.metrics import accuracy_score,precision_score,recall_score
y_true = [1,1,1,1,1,0,0,0,0,0]
y_pred = [0,0,1,1,0,0,0,0,0,0]
print("Accuracy Score:",accuracy_score(y_true,y_pred,normalize=True))
print("Precision Score",precision_score(y_true,y_pred))
print("Recall Score",recall_score(y_true,y_pred))

Accuracy Score: 0.7
Precision Score 1.0
Recall Score 0.4