机器学习—神经网络算法—调sklearn库实现(Accuracy、Precision、Recall、F1-score)

本文通过sklearn库实现神经网络算法,对手写数字数据集进行识别,详细展示了神经网络的调库实现过程,包括数据预处理、模型训练、评估指标计算等关键步骤。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

关于神经网络算法的推导及手写底层的实现,在下面的超链接中详细的总结了,现在我们来用sklearn库来快速实现神经网络算法的操作。

神经网络算法的推导及手写代码实现

1、神经网络算法的调库实现

import matplotlib.pyplot as plt
import numpy as np

#导入sklearn.neural_network库
from sklearn.neural_network import MLPClassifier

#导入统计相关库     混淆矩阵 分类报告
from sklearn.metrics import confusion_matrix,classification_report

#设置正常显示汉字、负号
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

#导入手写数字识别数据集
#手写数字识别数据集imgX: 共包含5000个数据,分为10类,每个数据包含400属性
#标签集labely: 共包含50 00个数据,每个数据为数字1-10
#独立属性: 数据包含400个独立属性, 代表每个手写数字图像的点阵数据

X = np.loadtxt(r'E:\PC_Project\machine learning1\day10\imagesData.txt',delimiter=',')
y = np.loadtxt(r'E:\PC_Project\machine learning1\day10\labelsData.txt',delimiter=',')

#数据预处理
def preprocess(X,y):
    #进行0-1缩放特征
    X_min = np.min(X)
    X_max = np.max(X)
    X = (X-X_min)/(
<think>好的,我现在需要回答用户关于机器学习指标的问题,包括precisionrecallf1-score、support、accuracy、AP、AUC这些指标的含义。首先,我得逐一理清每个指标的定义和计算公式,确保准确无误。 用户之前的问题提到了这些指标,所以我需要按照逻辑顺序逐个解释,可能从基础指标开始,如precisionrecall,然后到综合指标f1-score,再到support、accuracy,最后是AP和AUC。需要确保每个术语都有明确的定义,并举例说明,这样用户更容易理解。 接下来,我需要检查是否需要参考提供的引用内容。引用里提到了accuracyprecisionrecallF1-score、ROC-AUC、PRC-AUC等,这些和用户的问题相符。不过要注意引用中的信息是否正确,比如AP通常指Average Precision,而AUC是ROC曲线下的面积,这些需要准确描述。 然后,我要考虑如何组织回答结构。可能先分点解释每个指标,使用公式时注意用LaTeX格式,比如$Precision = \frac{TP}{TP+FP}$。同时,用户提到要生成相关问题,这可能需要放在最后部分,提出几个相关的问题,比如这些指标的应用场景或如何计算等。 还需要注意用户提到的系统级指令,比如行内数学表达式用$...$,独立公式用$$...$$。比如在解释AUC时,可能需要独立成段的公式。同时,确保使用中文回答,避免任何markdown格式,除了代码块需要用三个反引号包裹。 另外,用户示例中在回答后添加了相关问题,我需要模仿这个结构,在最后生成相关问题,比如关于如何选择这些指标,或者它们的优缺点等。同时,引用标识要自然地添加在引用的段落末尾,比如引用[1]中的内容。 现在,我需要确保每个指标的解释正确无误。例如,support指的是每个类别的样本数量,而accuracy是总正确预测的比例。AP和AUC可能涉及更复杂的概念,如PR曲线和ROC曲线下的面积,需要简明扼要地说明。 可能遇到的疑问点:比如AP是否就是PR曲线的AUC?实际上,AP是Precision-Recall曲线下的面积,而AUC通常指ROC曲线的面积,需要区分清楚。此外,F1-scoreprecisionrecall和平均,这点需要正确表达。 最后,检查LaTeX语法是否正确,例如公式中的括号是否闭合,变量是否正确使用斜体等。确保回答结构清晰,分点明确,每个指标之间有适当的过渡,帮助用户逐步理解。</think>### 机器学习评价指标详解 #### 1. 基础指标(二分类场景) - **TP(True Positive)**:正确预测的正类样本 - **FP(False Positive)**:错误预测为正类的负类样本 - **TN(True Negative)**:正确预测的负类样本 - **FN(False Negative)**:错误预测为负类的正类样本 #### 2. 核心指标定义 1. **Precision(精确率)** 预测为正类的样本中实际为正类的比例: $$ Precision = \frac{TP}{TP + FP} $$ 适用于关注**误报成本**的场景(如垃圾邮件检测)[^1]。 2. **Recall(召回率)** 实际为正类的样本中被正确预测的比例: $$ Recall = \frac{TP}{TP + FN} $$ 适用于关注**漏检成本**的场景(如疾病诊断)[^1]。 3. **F1-scoreF1值)** PrecisionRecall和平均数,平衡两者关系: $$ F1 = 2 \times \frac{Precision \times Recall}{Precision + Recall} $$ 特别适用于**类别不平衡**数据评估。 4. **Support(支持数)** 每个类别在测试集中的**实际样本数量**,反映数据分布特征。 5. **Accuracy(准确率)** 整体预测正确的比例: $$ Accuracy = \frac{TP + TN}{TP + FP + TN + FN} $$ 在类别平衡时有效,但在不平衡数据中可能失真[^1]。 #### 3. 高级指标 1. **AP(Average Precision,平均精确率)** 通过改变分类阈值,计算Precision-Recall曲线下面积: $$ AP = \sum_{k} (Recall_k - Recall_{k-1}) \times Precision_k $$ 反映模型在不同召回率下的平均表现,常用于目标检测任务。 2. **AUC(Area Under ROC Curve)** ROC曲线下面积,反映模型对正负样本的区分能力: - ROC曲线以**FPR(False Positive Rate)**为横轴:$FPR = \frac{FP}{FP + TN}$ - **TPR(True Positive Rate,即Recall)**为纵轴 - 取值范围$[0,1]$,值越大表示分类性能越好。 ```python # 指标计算示例(Python sklearn实现) from sklearn.metrics import precision_score, recall_score, f1_score, accuracy_score, average_precision_score, roc_auc_score y_true = [1,0,1,1,0] y_pred = [1,0,0,1,1] print(f"Precision: {precision_score(y_true, y_pred)}") # 0.6667 print(f"Recall: {recall_score(y_true, y_pred)}") # 0.6667 print(f"F1-score: {f1_score(y_true, y_pred)}") # 0.6667 print(f"Accuracy: {accuracy_score(y_true, y_pred)}") # 0.6 print(f"AP: {average_precision_score(y_true, y_pred)}") # 0.6389 print(f"AUC: {roc_auc_score(y_true, y_pred)}") # 0.6667 ``` #### 4. 关键差异说明 | 指标 | 关注重点 | 适用场景 | 数据敏感性 | |------------|---------------------------|------------------------|----------------| | Precision | 预测正类的准确性 | 高误报成本场景 | 受负类分布影响 | | Recall | 正类样本的覆盖率 | 高漏检成本场景 | 独立于负类分布 | | AUC | 整体排序能力 | 类别不平衡场景 | 综合考量 | | Accuracy | 整体预测正确率 | 类别平衡场景 | 易受分布影响 |
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值