准确率、精确率、召回率、F1-score、TPR、FPR、ROC曲线、AUC

最新推荐文章于 2025-03-15 21:43:33 发布

甜甜的初夏

最新推荐文章于 2025-03-15 21:43:33 发布

阅读量2.9k

点赞数 3

分类专栏：人工智能文章标签： python 深度学习机器学习

原文链接：https://blog.csdn.net/qq_39197555/article/details/115288029

版权

人工智能专栏收录该内容

17 篇文章

订阅专栏

本文介绍了在样本不均衡情况下如何使用精确率、召回率进行分类评估，并详细阐述了ROC曲线及其AUC指标。通过sklearn库的classification_report API展示了分类报告的使用。此外，讨论了ROC曲线的FPR和TPR概念，以及AUC的含义和重要性。AUC作为衡量二分类模型性能的指标，尤其适用于样本不平衡场景。最后，演示了如何计算AUC并指出其局限性——仅适用于二分类问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.分类评估方法

1.1精确率与召回率

1.3、分类评估报告api

sklearn.metrics.classification_report(y_true, y_pred, labels=[], target_names=None )
- y_true：真实目标值
- y_pred：估计器预测目标值
- labels:指定类别对应的数字
- target_names：目标类别名称
- return：每个类别精确率与召回率

ret = classification_report(y_test, y_predict, labels=(2,4), target_names=("良性", "恶性"))
print(ret)

问题：如何衡量样本不均衡下的评估？

2 ROC曲线与AUC指标

2.1 TPR与FPR

TPR = TP / (TP + FN)
- 所有真实类别为1的样本中，预测类别为1的比例
FPR = FP / (FP + TN)
- 所有真实类别为0的样本中，预测类别为1的比例

2.2 ROC曲线

ROC曲线的横轴就是FPRate，纵轴就是TPRate，当二者相等时，表示的意义则是：对于不论真实类别是1还是0的样本，分类器预测为1的概率是相等的，此时AUC为0.5

ROC曲线的绘制

2.3 AUC指标

AUC的概率意义是随机取一对正负样本，正样本得分大于负样本得分的概率
AUC的范围在[0, 1]之间，并且越接近1越好，越接近0.5属于乱猜
AUC=1，完美分类器，采用这个预测模型时，不管设定什么阈值都能得出完美预测。绝大多数预测的场合，不存在完美分类器。
0.5<AUC<1，优于随机猜测。这个分类器（模型）妥善设定阈值的话，能有预测价值。

2.4 AUC计算API

from sklearn.metrics import roc_auc_score
- sklearn.metrics.roc_auc_score(y_true, y_score)
  - 计算ROC曲线面积，即AUC值
  - y_true：每个样本的真实类别，必须为0(反例),1(正例)标记
  - y_score：预测得分，可以是正类的估计概率、置信值或者分类器方法的返回值

# 0.5~1之间，越接近于1约好
y_test = np.where(y_test > 2.5, 1, 0)

print("AUC指标：", roc_auc_score(y_test, y_predict)

AUC只能用来评价二分类
AUC非常适合评价样本不平衡中的分类器性能