文本分类之六分类结果评估

最新推荐文章于 2023-08-21 08:30:00 发布

转载最新推荐文章于 2023-08-21 08:30:00 发布 · 2.4k 阅读

1 ·

CC 4.0 BY-SA版权

原文链接：http://www.cnblogs.com/sanmenyi/p/7040400.html

文章标签：

#人工智能

本文介绍了机器学习领域中用于评估算法效果的三个核心指标：召回率、准确率及F1分数，并提供了文本分类项目的评估代码示例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

机器学习领域的算法评估有三个基本的指标。

召回率（Recall Rate，也叫查全率）：是检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率。
召回率=系统检索到的相关文档数/系统所有相关文档的总数
准确率（Precision，也称为精度）：是检索出的相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率。
准确率=系统检索到的相关文件/系统所有检索到的文件总数

注意：准确率和召回率是互相影响的，理想情况下肯定是做到二者都高，但是一般情况下，准确率高，召回率就低；反之亦然。

F-Score：机器学习中常用的评价标准。其中，最常见的是F1-Measure，公式为：F1=2PR/(P+R)
文本分类项目的分类结果评估，代码如下：

from sklearn import metrice
def metrics_result(actual, predict):  
    print '精度:{0:.3f}'.format(metrics.precision_score(actual, predict,average='weighted'))  
    print '召回:{0:0.3f}'.format(metrics.recall_score(actual, predict,average='weighted'))  
    print 'f1-score:{0:.3f}'.format(metrics.f1_score(actual, predict,average='weighted'))  
  
metrics_result(test_set.label, predicted)

注意：单独运行这个代码会报错，把这一部分加到贝叶斯模型的程序中运行，就可以得到正确的结果。

转载于:https://www.cnblogs.com/sanmenyi/p/7040400.html