机器学习（15）精确率&&召回率&&F1-score（查看癌症预测结果的精确率、召回率）

目录

一、基础理论

1、混淆矩阵

2、精确率

3、召回率

4、F1-score

二、查看癌症预测结果的精确率、召回率

API

查看癌症预测结果的精确率、召回率

总代码

---

一、基础理论

1、混淆矩阵

预测结果与正确标记之间存在四种不同的组合：

2、精确率

精确率： 预测结果为正例样本中真实为正例的比例。

3、召回率

召回率：真实为正例样本中，预测结果为正例的比例。（真实为癌症能够被检测出来的概率）

（重要，检测查的全不全）

 

4、F1-score

反映模型的稳健性。

二、查看癌症预测结果的精确率、召回率

API

sklearn.metrics.classification_report

查看癌症预测结果的精确率、召回率

# 查看精确率、召回率、F1-score
report = classification_report(test_target, predict, target_names=['良性', '恶性'])
print(report)

总代码

# 逻辑回归：癌症分类
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import classification_report

# 1、读取数据
column_name=['Sample code number','Clump Thickness','Uniformity of Cell Size','Uniformity of Cell Shape',
       'Marginal Adhesion','Single Epithelial Cell Size','Bare Nuclei','Bland Chromatin','Normal Nucleoli',
       'Mitoses','Class']

pd.set_option('display.max_columns',1000)        # 设置最大列数
pd.set_option('display.max_rows',1000)           # 设置最大行数

data=pd.read_csv('breast-cancer-wisconsin.data', names=column_name)
# print(data)

# 2、缺失数据处理
data = data.replace(to_replace='?', value = np.nan)
data.dropna(inplace=True)

# 3、划分数据集
train = data.iloc[:, 1:-1]
target = data['Class']
train_data, test_data, train_target, test_target = train_test_split(train, target)
# print(train_data)

# 4、标准化（对训练集和测试集标准化）
transfer = StandardScaler()
train_data = transfer.fit_transform(train_data)
test_data = transfer.transform(test_data)
# print(train_data)

# 5、创建逻辑回归预估器，训练
estimator = LogisticRegression()
estimator.fit(train_data, train_target)
# print(train_data)

# 查看模型参数：回归系数 和 偏置
print('回归系数：', estimator.coef_)
print('偏置：', estimator.intercept_)

# 6、模型评估
# 方法一：比对
predict = estimator.predict(test_data)
print(predict==test_target)
# 方法二：计算正确率
score = estimator.score(test_data, test_target)
print('逻辑回归分类正确率为：', score)

# 查看精确率、召回率、F1-score
report = classification_report(test_target, predict, target_names=['良性', '恶性'])
print(report)