详解 F1 Score，P-R，ROC，AUC

最新推荐文章于 2024-08-13 20:34:17 发布

shiinerise

最新推荐文章于 2024-08-13 20:34:17 发布

阅读量5k

点赞数 3

分类专栏：机器学习文章标签： F1 Score P-R ROC AUC

本文链接：https://blog.csdn.net/Shine_rise/article/details/103207081

版权

机器学习专栏收录该内容

11 篇文章 1 订阅

订阅专栏

一、混淆矩阵（confusion matrix）

对于二分类问题来说，可将样例根据其真实类别与模型预测类别的组合划分为真正例（true positive）、假正例（false positive）、真反例（true negative）、假反例（false negative）四种情况，其混淆矩阵（confusion matrix）如下：

	预测值（正例）	预测值（反例）
真实值（正例）	TP（真正例）	FN（假反例）
真实值（反例）	FP（假正例）	TN（真反例）

TP（True Positives，真正例）：预测为正，真实为正，预测对了
FN （False Negatives，假反例）：预测为反，真实为正，预测错了
FP（False Positives，假正例）：预测为正，真实为反，预测错了
TN（True Negatives，真反例）：预测为反，真实为反，预测对了

显然有，TP + FN + FP + TN = 样例总数。

定义查准率（Precision）和查全率（Recall）分别为：

$\frac{TP}{TP+FP}$

$\frac{TP}{TP+FN}$

正如他们的汉语意思，

查准率（Precison）：所有预测值为正例的样本里，真实值为正例的样本所占的比例
查全率（Recall）：所有真实值为正例的样本里，预测值为正例的样本所占的比例

查准率和查全率是一对矛盾的度量，一般来说，查准率高时，查全率往往偏低；而查全率高时，查准率往往偏低。

二、PR

从上面可以看出，不同的情况下我们希望对查准率和查全率有个权衡选择，在某些情况下希望查准率更高，在另一些情况下希望查全率更高。

这里就引出了阈值的概念，对于同一个样本数据，设置不同的阈值，查准率和查全率会随之改变。因为我们的二分类器输出的是预测为正样本的概率，是一个范围在 [0, 1] 之间的数值，选择一个阈值，当预测的概率超过这个阈值时，我们就认为预测为正例。

比如在判别是否为垃圾邮件的时候，设置阈值为 0.6，在模型的输出概率大于 0.6 时，就认为预测是正例。

理解了阈值的概念，在对查准率和查全率进行权衡选择时，就可以选择不同的阈值，根据 P-R 曲线来判断。

以查准率为纵轴，查全率为横轴作图，得到的查准率-查全率曲线，就叫P-R 曲线。
P-R曲线与平衡点示意图

在进行比较时，如果一个曲线被另一个曲线完全包住，则可断言后者的性能优于前者。如图所示模型 A 的性能优于模型 C；如果两个模型的 P-R 曲线发生了交叉，如图中的 A 和 B，则难以断言两者孰优孰劣，这时就需要其他方法来综合考虑查准率、查全率的性能度量。

F1 Score 就是这样一种性能度量方法，公式为：

$F1=\frac{2*P*R}{P+R}$

在实际生活中，在某些情况下我们会更加关注查准率（Precision），也就是希望查准率高一些，在另一些情况下会更加希望查全率（Recall）能够高一些。

比如，在医学模型判断癌症病人中，我们希望能够在所有真实患病的人里，尽可能多的检查出患病者，也就是希望查全率（Recall）高一点，因为无病诊断为有病去治疗总比漏掉癌症病人好；

而我是非常爱吃西瓜的人，在我每次去买西瓜的时候，我总是希望买到的瓜是甜瓜的概率大一点，即在有限的买瓜次数（所有预测值为正例的样本里），真实值为甜瓜（样本值为正例）的概率大，也就是希望查准率（Precision）高一点。

这时就需要F1 度量的一般形式 $F_{\beta}$ ，让我们表达出对查准率/查全率的不同偏好，定义为：

$F_{\beta}=\frac{\left(1+\beta^{2}\right) \times P \times R}{\left(\beta^{2} \times P\right)+R}$

其中， ${\beta}>0$ 度量了查准率对查全率的相对重要性， ${\beta}=1$ 时为 F1 Score， ${\beta}>1$ 时查准率有更大影响， ${\beta}<1$ 时查全率有更大影响。

注：

F1 是基于查准率和查全率的调和平均定义的：

$\frac{1}{F1}=\frac{1}{2}(\frac{1}{P}+\frac{1}{R})$

$F_{\beta}$ 为加权调和平均：

$\frac{1}{F_{\beta}}=\frac{1}{1+{\beta}^{2}}(\frac{1}{P}+\frac{{\beta}^{2}}{R})$

与算术平均和几何平均相比，调和平均更重视较小值。

上述 F1 值只是在二分类中，我们可以轻易扩展到多分类中。多分类中我们可以使用 OneVsRest 的策略，判断第 i 类的分类时，把不属于第 i 类的看做另一类，就能对每一类都算出一个 F1 值了。使用宏平均（macro）或者微平均（micro）来考量多分类的效果。宏平均是多个分类 F1 值相加，而微平均是多个 F1 分子分母分别相加。

$\begin{aligned} \operatorname{macro-F1} &=\frac{1}{N} \sum_{i}^{N} F_{i} \\\operatorname{micro-F1} &=\frac{2 \sum_{i}^{N} P_{i} R_{i}}{\sum_{i}^{N} P_{i}+R_{i}} \end{aligned}$

三、ROC

ROC 全称是「受试者工作特征」（Receiver Operating Characteristic）曲线，纵轴是「真正例率」（True Positive Rate，简称 TPR），横轴是「假正例率」（False Positive Rate，简称 FPR），定义为：

$TPR=\frac{TP}{TP+FN}$

$FPR=\frac{FP}{FP+TN}$

TPR 的定义是和 Recall 是一样的。TPR 和 FPR 分别描述了在正负样本里（正样本=TP+FN，负样本=FP+TN），TP和 FP 样本所占的比例。与 PR 曲线一样，我们可以通过调整阈值，来改变 TPR 和 FPR，如图所示：

ROC曲线与AUC示意图

实际中利用有限个测试样例来绘制 ROC 曲线时，仅能获得有限个（真正例率，假正例率）坐标对，无法产生图（a）中的光滑 ROC 曲线，只能绘制出图（b）所示的近似 ROC 曲线，与 P-R 图类似，如果一个曲线被另一个曲线完全包住，则可断言后者的性能优于前者；如果两个模型的 ROC 曲线发生交叉，则难以断言两者孰优孰劣，此时需要比较 ROC 曲线下的面积，即 AUC 曲线。

四、AUC

AUC（Area Under ROC Curve）是 ROC 曲线与横轴构成的面积。

如何计算 AUC 呢？

这里给出西瓜书中的一种近似计算 AUC 的方法，即把 AUC 近似为 ROC 曲线下的每个矩形的面积之和，公式为：

$AUC=\frac{1}{2} \sum_{i=1}^{m-1}\left(x_{i+1}-x_{i}\right)\left(y_{i}+y_{i+1}\right)$

其他实现方法，如 Mann-Witney U statistic 这里不再叙述。

五、P-R 与 ROC 的比较

P-R 曲线以查准率（Precision）为纵轴，查全率（Recall）为横轴；

ROC 曲线以真正例率（TPR）为纵轴，假正例率（FPR）为横轴；
随着正负样本分布的变化，ROC 曲线的形状不会发生很大的变化，而 P-R 曲线会发生很大的变化。

如上图测试集负样本数量增加 10 倍以后 P-R 曲线发生了明显的变化，而 ROC 曲线形状基本不变。在实际环境中，正负样本的数量往往是不平衡的，所以这也解释了为什么 ROC 曲线使用更为广泛。

五、代码实现

以 sklearn 库中的手写数字数据集为例：

from sklearn import datasets
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import confusion_matrix
from sklearn.metrics import roc_curve
from sklearn.metrics import roc_auc_score
from sklearn.metrics import precision_recall_curve
import matplotlib.pyplot as plt
# 导入数据集
digits = datasets.load_digits()
print(digits.DESCR)
X = digits.data
y = digits.target.copy()
# 构造偏斜数据，将数字9的对应索引的元素设置为1，0～8设置为0
y[digits.target == 9] = 1
y[digits.target != 9] = 0
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=666)
# 使用逻辑回归做分类
lr = LogisticRegression()
lr.fit(X_train, y_train)
y_predict = lr.predict(X_test)
matrix = confusion_matrix(y_test, y_predict)
decision_scores = lr.decision_function(X_test)
# P-R曲线
precision, recall, thresholds1 = precision_recall_curve(y_test, decision_scores)
plt.plot(precision, recall)
plt.show()
print(thresholds1)
# ROC曲线
fprs, tprs, thresholds2 = roc_curve(y_test, decision_scores)
plt.plot(fprs, tprs)
plt.show()
# AUC
print(roc_auc_score(y_test, decision_scores))