机器学习之混淆矩阵Precision,Recall,F1 score

第一部分:场景引入

我们以做核酸为例:

那么如何用数学来准确描述上述的这四种检测情况呢?

True Positive (TP):代表True正确预测Positive正样本

False Positive (FP):代表False错误预测Positive正样本

False Negative (FN):代表False预测Negative负样本

True Negative (TN):代表True正确Negative负样本

第二部分:正确率,精确率,召回率,F1分数

(1)正确率

这里的T=TP+TN

F=FP+FN

反映的是“模型的准确程度”

(2)精确率

衡量的是一种“错检程度”

(3)召回率

衡量的是一种“漏检程度”

(4)F1分数

F1分数是整合精确率和召回率:

这里不用算术平均值的原因是:如果一个很大,那么另一个就基本上会不起作用。

就好比你的钱和马云的前,加在一起除以2,最终也反应不了你自己的真实水平,因此我们取倒数,也就叫做“调和平均数”。

这个计算公式也非常类似于初中计算并联电阻的情况:

第三部分:代码实现(以鸢尾花数据集和逻辑回归二分类为例)

(1)导包

#第一部分:导包
import numpy as np
from sklearn import datasets

(2)创建数据集

#第二部分:加载数据集
iris=datasets.load_iris()
X=iris.data
y=iris.target

(3)分割数据集

#第三部分:分割数据集
#为了简化问题,我们将其转化为二分类问题
y[y!=0]=1
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
X_train,X_test,y_train,y_test=train_test_split(X,y,random_state=666)

(4)训练模型

#第四部分:训练模型
logreg=LogisticRegression()
logreg.fit(X_train,y_train)
y_pred=logreg.predict(X_test)

(5)输出混淆矩阵和四种评价指标

#第五部分:使用混淆矩阵评价模型
from sklearn.metrics import confusion_matrix
print("混淆矩阵为:",confusion_matrix(y_test,y_pred))
      #分别代表:
      #TN,FP
      #FN,TP
# 导入评价指标相关包
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("准确率为:", accuracy)

# 计算精确率
precision = precision_score(y_test, y_pred)
print("精确率为:", precision)

# 计算召回率
recall = recall_score(y_test, y_pred)
print("召回率为:", recall)

# 计算 F1 分数
f1 = f1_score(y_test, y_pred)
print("F1 分数为:", f1)

(6)完整pycharm代码

#第一部分:导包
import numpy as np
from sklearn import datasets
#第二部分:加载数据集
iris=datasets.load_iris()
X=iris.data
y=iris.target
#第三部分:分割数据集
#为了简化问题,我们将其转化为二分类问题
y[y!=0]=1
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
X_train,X_test,y_train,y_test=train_test_split(X,y,random_state=666)
#第四部分:训练模型
logreg=LogisticRegression()
logreg.fit(X_train,y_train)
y_pred=logreg.predict(X_test)
#第五部分:使用混淆矩阵评价模型
from sklearn.metrics import confusion_matrix
print("混淆矩阵为:",confusion_matrix(y_test,y_pred))
      #分别代表:
      #TN,FP
      #FN,TP
# 导入评价指标相关包
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("准确率为:", accuracy)

# 计算精确率
precision = precision_score(y_test, y_pred)
print("精确率为:", precision)

# 计算召回率
recall = recall_score(y_test, y_pred)
print("召回率为:", recall)

# 计算 F1 分数
f1 = f1_score(y_test, y_pred)
print("F1 分数为:", f1)

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

打赏作者

还不秃顶的计科生

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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