7、不平衡分类中的性能评估指标与曲线

不平衡分类中的性能评估指标与曲线

在不平衡分类问题中，准确评估模型的性能至关重要。本文将介绍一些常用的性能指标，如精确率（Precision）、召回率（Recall）、F - 度量（F - measure），以及ROC曲线和精确率 - 召回率曲线，并通过具体的代码示例展示如何计算这些指标和绘制相应的曲线。

1. 精确率与召回率

精确率和召回率是评估分类模型性能的两个重要指标，它们在不平衡分类问题中尤为重要。

1.1 精确率（Precision）

精确率量化了所有正类预测中实际属于正类的预测数量。其计算公式为：
[
Precision = \frac{TruePositive}{TruePositive + FalsePositive}
]

以下是一个计算二元分类数据集精确率的示例代码：

# define predictions
pred_pos = [0 for _ in range(10)] + [1 for _ in range(90)]
pred_neg = [1 for _ in range(30)] + [0 for _ in range(9970)]
y_pred = pred_pos + pred_neg
# calculate prediction
from sklearn.metrics import precision_score
# 这里假设 y_true 已经定义
precision = precision_score(y_true, y_pred, average='binary')
print('P