机器学习人工智能——逻辑回归

实验目的：
1.学习理解逻辑回归的基本概念，练习python代码的实现。
2.准确理解机器学习算法的常用评价指标。
实验环境：Jupyter Notbook
参考资料：(周志华–西瓜书) 真正例率（TPR）、假正例率（FPR）与查准率（P）、查全率（R）

一、逻辑回归基本练习

存网盘里，有需要，找我。

二、评价指标

查准率:预测为正例的实例中真实正例的比例
$R=TP/(TP+FN)$
查全率: 真实正例被预测为正例的比例
$P=TP/(TP+FP)$
$F1-score=2PR/(P+R)=2TP/(样例总数+TP-TN)$

真实情况→	预测结果↓	预测结果↓	预测结果↓
真实情况→		正例	反例
真实情况→	正例	TP(true positive)	FN(false negative)
真实情况→	反例	FP(false positive)	TN(true negative)

例题：假如某大学准备招标采购一套宿舍行人目标图像识别系统，选择2家公司的产品来测试。测试手段是：从学生宿舍区一段监控视频中识别男生的人数。
实验结果如下：
（1) 算法1（产品1）的检测结果：检测出“男生”人数82人，其中78人为男生，4人其实是女生；
（2）算法2（产品2）的检测结果：检测出“男生”人数88人，其中80人为男生，8人其实是女生；
（3）经过人工检测，视频中实际准确的总人数为100人，其中男生80人，女生20人。
请问算法1和算法2的“查准率”“查全率”“F1-score”等分别是多少？你认为哪个更优秀？
那么该题正例为男，反例为女，表格应为：
算法1

真实情况→	预测结果↓	预测结果↓	预测结果↓
真实情况→		男	女
真实情况→	男	78	2
真实情况→	女	4	16

算法2

真实情况→	预测结果↓	预测结果↓	预测结果↓
真实情况→		男	女
真实情况→	男	80	0
真实情况→	女	8	12

所以，
算法1，查准率：0.975，查全率:0.9512,F1-score：0.963
算法2，查准率：1，查全率:0.91,F1-score：0.952
依据F1-score评估，算法1要好一些。