精确率和召回率

一、分类模型的评估
estimator.score()一般最常见使用的是准确率，即预测结果正确的百分比
二、混淆矩阵
在分类任务下，预测结果(Predicted Condition)与正确标记(True Condition)之间存在四种不同的组合，构成混淆矩阵(适用于多分类)。

三、精确率(Precision)
预测结果为正例样本中真实为正例的比例（查得准）

四、召回率(Recall)
真实为正例的样本中预测结果为正例的比例（查的全，对正样本的区分能力）

五、其他分类标准
F1-score，反映了模型的稳健型。

六、分类模型评估API
sklearn.metrics.classification_report
七、classification_report语法
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_names：目标类别名称
return：每个类别精确率与召回率
例如：
from sklearn.datasets import fetch_20newsgroups
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import classification_report

def naviebayes():
“”"
朴素贝叶斯进行文本分类
:return:None
“”"
categories = [‘alt.atheism’, ‘talk.religion.misc’, ‘comp.graphics’, ‘sci.space’]
news = fetch_20newsgroups(subset=‘train’,categories=categories)
#进行数据分割
x_train,x_test,y_train,y_test= train_test_split(news.data,news.target,test_size=0.25)
#对数据集进行特征抽取
tf =TfidfVectorizer()
#以训练集当中的词的列表进行每篇文章重要性统计
x_train=tf.fit_transform(x_train)
print(tf.get_feature_names())
x_test =tf.transform(x_test)
# 进行朴素贝叶斯算法的预测
mlt = MultinomialNB(alpha =1.0)
print(x_train.toarray())
mlt.fit(x_train,y_train)
y_predict = mlt.predict(x_test)
print(‘预测的文章类别为：’,y_predict)
# 得出准确率
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_names=news.target_names))
return None

if name ==‘main’:
naviebayes()