Python-F1-micro 与 F1-macro和AUC通过sklearn计算

目录

0、基础

TP, TN, FP, FN的定义

Accuracy/Precision/Recall的定义

1、简介

2、使用

3、白话理解原理

3、举例

---

0、基础

Precision又叫查准率，Recall又叫查全率。这两个指标共同衡量才能评价模型输出结果。

TP, TN, FP, FN的定义

在二分类问题中。

• TP: 预测为1(Positive)，实际也为1(Truth-预测对了)
• TN: 预测为0(Negative)，实际也为0(Truth-预测对了)
• FP: 预测为1(Positive)，实际为0(False-预测错了)
• FN: 预测为0(Negative)，实际为1(False-预测错了)

总的样本个数为：TP+TN+FP+FN。

Accuracy/Precision/Recall的定义

• Accuracy = (预测正确的样本数)/(总样本数)=(TP+TN)/(TP+TN+FP+FN)
• Precision = (预测为1且正确预测的样本数)/(所有预测为1的样本数) = TP/(TP+FP)
• Recall = (预测为1且正确预测的样本数)/(所有真实情况为1的样本数) = TP/(TP+FN)
   

1、简介

最近在学习分类问题的时候，发现多于多分类问题，一般使用acc外，还会使用F1这个重要的评价函数，主要分成F1-macro和 F1-macro这2个指标进行计算。一查发现大家都是使用sklearn这个库来完成的， 发现使用起来及其简单。

在sklearn中的计算F1的函数为 f1_score ，其中有一个参数average用来控制F1的计算方式，也就是当参数取micro和macro时候的区别

2、使用

• 已知精度(precision)、查全率(recall)、F1的计算，是针对于二分类器来说的。他们的计算，只与y_true/y_pred有关，也要求y_true/y_pred中，只含有0和1两个数。
• 对二分类模型来说，可以直接调用sklearn.metrics中的f1_score, precision_score, 和recall_score来进行计算。
• 但对多分类模型来说，y_true/y_pred中可能会有种label（比如y_true=[1,2,3]），应该如何计算其F1/P/R值呢？
• 先上结论，使用如下

也就是穿一个真实标签，直接获取即可。还需要传一个预测标签，这个值需要通过sklearn中的svm对相应数据：X_train, X_test, y_train 进行计算获得

#f1
from sk