文章目錄

• 混淆矩陣
• 分類準確率 accuracy
• 精確率Precision
• 召回率 recall
• F1值
• Roc曲線、AUC

混淆矩陣

混淆矩陣又稱誤差矩陣，針對預測值和真實值之間的關系，我們可以將樣本分為四個部分，分別是： 真正例（True Positive，TP）：預測值和真實值都為1 假正例（False Positive，FP）：預測值為1，真實值為0 真負例（True Negative，TN）:預測值與真實值都為0 假負例（False Negative，FN）：預測值為0，真實值為1
假定一個實驗有?P個positive實例，在某些條件下有?N?個negative實例。那么上面這四個輸出可以用下面的偶然性表格（或混淆矩陣）來表示：

混淆矩陣的API

from sklearn.metrics import confusion_matrix confusion_matrix = confusion_matrix(y_test, y_predict)

分類準確率 accuracy

所有樣本中被預測正確的樣本的比率分類模型總體判斷的準確率(包括了所有class的總體準確率)準確率的API:

from sklearn.metrics import accuracy accuracy = accuracy_score(y_test, y_predict)

精確率Precision

預測為正類0的準確率:Precision=TP / ( TP + FP )

from sklearn.metrics import precision_score precision = precision_score(y_test, y_predict)

召回率 recall

真實為0的準確率:

真實為1的準確率:Recall = TN/(TN+FP)
召回率API：

from sklearn.metrics import recall_score recall = recall_score(y_test, y_predict)

recall得到的是一個list，是每一類的召回率。

F1值

F1值用來衡量二分類模型精確度的一種指標。它同時兼顧了分類模型的準確率和召回率。F1分數可以看作是模型準確率和召回率的一種加權平均，它的最大值是1，最小值是0。
F1=2*（Precision* recall/Precision+recall）

from sklearn.metric simport f1_score f1_score(y_test, y_predict)

Roc曲線、AUC

TPR FPR樣本中的真實正例類別總數即TP+FN
TPR即True Positive Rate，TPR = TP/(TP+FN)。
TPR：真實的正例0中，被預測為正例的比例
樣本中的真實反例類別總數為FP+TN
FPR即False Positive Rate，FPR=FP/(TN+FP)。
FPR：真實的反例1中，被預測為正例的比例
**理想分類器：**TPR=1，FPR=0
截斷點thresholds： 機器學習算法對test樣本進行預測后，可以輸出各test樣本對某個類別的相似度概率。比如t1是P類別的概率為0.3，一般我們認為概率低于0.5，t1就屬于類別N。這里的0.5，就是”截斷點”。

ROC曲線ROC曲線越接近左上角，代表模型越好，即ACU接近1
利用ROC的其他評估標準AUC(area under thecurve)，也就是ROC曲線的下夾面積，越大說明分類器越好，較大值是1。

總結

以上是生活随笔為你收集整理的Sklearn.metrics评估方法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。