precision_score:精度率、精度率
P = TPTP + FPP = \ frac {TP} {TP + FP}P=T P+F PT P
# 假设二分类标签为1,2
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
precision_score(y_true, y_pred, average="binary", pos_label=1)
# pos_label设置为1,代表标签为1的样本是正例,标签为2的样本是负例。
精度スコア:精度率
A cc = TP + TNTP + FP + TN + FN Acc = \ frac {TP + TN} {TP + FP + TN + FN}A c c=T P+F P+T N+F NT P+T N
# 假设二分类标签为1,2
accuracy_score(y_true, y_pred)
再現率スコア:再現率、再現率
R = TPTP + FNR = \ frac {TP} {TP + FN}R=T P+F NT P
# 假设二分类标签为1,2
recall_score(y_true, y_pred, average="binary", pos_label=1)
f1_score:F1值F1
= 2 ∗ P ∗ RP + R F1 = \ frac {2 * P * R} {P + R}F 1=P+R2∗P∗R
# 假设二分类标签为1,2
f1_score(y_true, y_pred, average="binary", pos_label=1)
添付ファイル:2つのカテゴリの混同行列
現実 | 予測結果 | |
正例 | 反例 | |
正例 | TP(実例) | FN(誤った反例) |
反例 | FP(偽陽性) | TN(真のネガティブな例) |