Day 49: 分类模型的评估,精确率和召回率 原创

1249-刘同学

发表文章数:59

首页 » 算法 » 正文

2021/2/7

对于模型评估最常见直观的方式就是前面用到的estimator.score()预测结果正确的百分比。这当然只是一个评估标准,还有几个其他评估标准就在今天这篇文章介绍一下。

混淆矩阵

先在二分类情况下讨论混淆矩阵。预测结果和实际正确结果之间会有4种不同的组合,构成混淆矩阵,当然混淆矩阵也可以适用于多分类。
Day 49: 分类模型的评估,精确率和召回率
                    原创
TP(true positive)
FP(false positive)
FN(false negative)
TN(true negative)
说混淆矩阵其实就是为了引出精确率和召回率的问题。

  • 精确率Precision就是TP在预测结果为正的比例 –Day 49: 分类模型的评估,精确率和召回率
                    原创

  • 召回率Recall 就是TP在真实结果为正的比例(有些问题就是宁可错杀一千也不能放过一个,比如说检查新冠疫情,可能会有好几轮的检测,第一轮的检测 只要有一点相关症状都被安排到下一轮检测。不希望真实的TRUE结果被判断为假) Day 49: 分类模型的评估,精确率和召回率
                    原创

  • F1-score 也是分类问题的一个衡量指标。一些多分类问题的机器学习竞赛,常常将F1-score作为最终测评的方法。它是精确率和召回率的调和平均数,最大为1,最小为0。在后面还会继续学习更深的知识
    Day 49: 分类模型的评估,精确率和召回率
                    原创

精确率,召回率的API

sklearn.metrics.classification_report(y_true,y_pred,target_names=None)

  • y_true:真实目标值
  • y_pred:估计器预测目标值
  • target_name:目标类名称
  • return:每个类别精确率与召回率
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MulitinomialNB
#引入召回率,精确率api
from sklearn.metrics import classification_report
def naviebayes():
	news = fetch_20newsgroups(subset = 'all')
	x_train, x_test, y_train,y_test =train_test_split(news.data,news.target, test_size = 0.25)
	tf = TfidfVectorizer()
	x_train = tf.fit_transform(x_train)
	y_train = tf.transform(y_train)
	mlt = MulitinomialNB(alphe = 1.0)
	mlt.fit(x_train,y_train)
	y_predict = mlt.predict(x_test)
	
	print("准确率为:“,mlt.score(x_test, y_test))	
	print("每个类别的精确率和召回率: ",classification_report(y_test,y_predict,target_name=news.target_name)
	return None


if __name__ = "__main__":
	naviebayes()

Day 49: 分类模型的评估,精确率和召回率
                    原创

未经允许不得转载:作者:1249-刘同学, 转载或复制请以 超链接形式 并注明出处 拜师资源博客
原文地址:《Day 49: 分类模型的评估,精确率和召回率 原创》 发布于2021-02-07

分享到:
赞(0) 打赏

评论 抢沙发

评论前必须登录!

  注册



长按图片转发给朋友

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

微信扫一扫打赏

Vieu3.3主题
专业打造轻量级个人企业风格博客主题!专注于前端开发,全站响应式布局自适应模板。

登录

忘记密码 ?

您也可以使用第三方帐号快捷登录

Q Q 登 录
微 博 登 录