机器学习中的性能度量有关笔记

查准率、召回率、F1系数、文本报告

查准率与查全率
• 查准率／准确率（precision）： P = TP/(TP+FP)
• 查全率／召回率／灵敏度（recall）：R = TP/(TP+FN)
• “1”代表正例，“0”代表反例

比较易理解的例子：
12张是狗的图片其余是猫的图片．现在利用程序去识别狗的图片，结果在识别出的8张图片中有5张是狗的图片，3张是猫的图片。
则该程序的查准率/精度precision＝5/8，查全率/召回率recall＝5/12。
由此可见：（我的理解，个人觉得比较好记）
查准率=正确结果数/识别总数量
查全率=正确结果数/正确结果的总数

F1系数
• 综合查准率与查全率：

F1 值是精确度和召回率的调和平均值：

精确度和召回率都高时，F1值也会高． F1值在1时达到最佳值（完美的精确度和召回率），最差为0．在二元分类中， F1值是测试准确度的量度。

• 更一般的形式：

• 其中 β 为正数，度量了查全率对查准率的相对重要性
• β = 1 ：标准的F1系数
• β ＞ 1 ：查全率有更大影响
β ＜ 1 ：查准率有更大影响

此处代码涉及sklearn，可查阅相关文档。

from sklearn.metrics import precision_score    #引入精准率
from sklearn.metrics import confusion_matrix   #引入混淆矩阵
from sklearn.metrics import classification_report     #分类指标的文本报告
#precision精准度/查准率/准确率   recall召回率  f1-sorce F1系数  support为每个标签的出现次数
#avg / total行为各列的均值（support列为总和）
y_true = [1, 0, 1, 1, 0]    #样本实际值
y_pred = [1, 0, 1, 0, 0]    #模型预测值
res = precision_score(y_true,y_pred, average=None)    #求查准率/准确率=TP / ( TP + FP )
res1 = confusion_matrix(y_true,y_pred)             #得出混淆矩阵
res2 = classification_report(y_true,y_pred)       #得到文本报告
print(res)
print(res1)
print(res2)

运行代码得到的结果：