python和机器学习第十章分类算法的评价——混淆矩阵、精准率、召回率、F1 Score

最新推荐文章于 2025-05-14 20:06:37 发布

原创

最新推荐文章于 2025-05-14 20:06:37 发布 · 1.3k 阅读

10 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习

本文介绍了在分类算法评估中，仅依赖分类准确度可能不足以评估模型性能，特别是在数据偏斜的情况下。详细探讨了混淆矩阵、精准率、召回率的概念，并解释了它们在二分类问题中的应用。此外，文章还讨论了F1 Score作为精准率和召回率的调和平均值，以及如何通过调整预值平衡精准率和召回率。最后，提到了ROC曲线及其在多分类问题中的应用，强调了在评估模型时，应关注预测错误的部分。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

分类算法的评价

1、分类准确度

对于极度偏斜的数据，只使用分类准确度是远远不够的

2、混淆矩阵

1、二分类问题
在这里插入图片描述
2、精准率
预测为1的事件，预测成功的概率

3、召回率
对于实际发生的事件1，预测成功的概率

4、精准率和召回率的意义

5、scikit-learn中的混淆矩阵、精准率、召回率

In [8]: from sklearn.linear_model import LogisticRegression
  ...: 
  ...: log_reg = LogisticRegression()
  ...: log_reg.fit(X_train,y_train)
  ...: log_reg.score(X_test,y_test)
Out[8]: 0.9755555555555555
In [9]: y_log_predict = log_reg.predict(X_test)

混淆矩阵

In [17]: from sklearn.metrics import confusion_matrix
   ...: confusion_matrix(y_test,y_log_predict)
Out[17]: 
array([[403,   2],
      [  9,  36]], dtype=int64)

精准率

In [18]: from sklearn.metrics import precision_score
   ...: precision_score(y_test,y_log_predict)
Out[18

最低0.47元/天解锁文章

200万优质内容无限畅学

python和机器学习 第十章 分类算法的评价——混淆矩阵、精准率、召回率、F1 Score

分类算法的评价

python和机器学习第十章分类算法的评价——混淆矩阵、精准率、召回率、F1 Score