Spark MLlib求解机器学习Precision, Recall, F1值 (Java代码)

Maven依赖

 <dependency>
     <groupId>org.apache.spark</groupId>
     <artifactId>spark-core_2.11</artifactId>
     <version>2.2.0</version>
 </dependency>
 <dependency>
     <groupId>org.apache.spark</groupId>
     <artifactId>spark-sql_2.11</artifactId>
     <version>2.2.0</version>
 </dependency>
 <dependency>
     <groupId>org.apache.spark</groupId>
     <artifactId>spark-mllib_2.11</artifactId>
     <version>2.2.0</version>
 </dependency>

使用的核心类

org.apache.spark.mllib.evaluation.BinaryClassificationMetrics

理论准备

在机器学习中的二分类问题，仅仅使用accuracy不足够准确和足以度量模型，尤其是当数据集正负样本不均衡时。
例子：
银行对用户分类为二类即信用好和差，来进行发放信用卡。
那么即使不做数据挖掘，而是直接判定所有用户的信用都是好的，那么accuracy也是够高的。
但是很显然，银行对信用差的用户更加在意，需要对这少数群体更慎重划分。

Precicion, Recall, F1

首先引入混淆矩阵和True Positive(TP), False Positive(FP), False Negative(FN), True Negative(TN)。
Positive样本（对应1/0中的1）对应的是 数量少的那方，也就是上面例子中的信用差的群体。

	label=1	label=0
prediction=1	TP	FP
prediction=0	FN	TN

对上面的混淆矩阵解释一下：
对于TP, FP, FN, TN都是两个字母：

• 第1个字母：是预测做的的对不对，显然当预测和label一致时是T，否认是F。
• 第2个字母：是predict的值，预测什么值这里就是什么。

计算Precision

$$Precision=\frac{TP}{TP+FP}$$
即对于表格内容的第一行而言，TP占比。

计算Recall