机器学习之模型效果衡量标准

true代表你判断的是正确的，positive代表是正力（即是你的目标）
false代表你的判断是错误的，negative代表是负力（即不是你的目标）
本例子当中，女生是目标即positive，TP，T代表判断正确，P代表你认为它是一个女生，加起来就是它真的是一个女生。
FP，f代表判断错误，你认为它是一个女生，加起来就是你认为它是一个女生，实际它是一个男生

用于检验positive的有效性（判断正确是女生，判断错误，把女生当男生）

用于检验negtive的有效性（判断正确是男生，和判断错误，认为它是一个女生）

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

admissions = pd.read_csv("D:\\test\machineLearning\\admissions.csv")

from sklearn.linear_model import LogisticRegression

log = LogisticRegression()
log.fit(admissions[["gpa"]], admissions["admit"])
pre_pro=log.predict(admissions[["gpa"]])
plt.scatter(admissions["gpa"],pre_pro) #看它是属于0还是1,1代表被录取，0代表不被录取
plt.show()

label=log.predict(admissions[["gpa"]])
admissions["predicted_label"]=label
print (admissions["predicted_label"].value_counts())  #预测结果的各种可能类型的统计
print (admissions.head(2))

0    598
1     46
Name: predicted_label, dtype: int64
   admit       gpa         gre  predicted_label
0      0  3.177277  594.102992                0
1      0  3.412655  631.528607                0

predit=admissions[label==admissions["admit"]]  #计算本次预测的准确性
print (len(predit)/float(len(admissions)))

0.6459627329192547

#检查正力的效果即positive
true_positive_filter=(admissions["predicted_label"]==1)&(admissions["admit"]==1)
true_positive = len(admissions[true_positive_filter])
false_negtive_filter=(admissions["predicted_label"]==0)&(admissions["admit"]==1)
false_negtive = len(admissions[false_negtive_filter])
sensitive=true_positive/(true_positive+false_negtive)
print (sensitive)

0.12704918032786885

#检查负力的效果
true_negtive_filter=(admissions["predicted_label"]==0)&(admissions["admit"]==0)
true_negtive = len(admissions[true_negtive_filter])
false_positive_filter=(admissions["predicted_label"]==1)&(admissions["admit"]==0)
false_positive= len(admissions[false_positive_filter])
specifity=true_negtive/(true_negtive+false_positive)
print (specifity)

0.9625