分类预估评价函数 ——classification_report

最新推荐文章于 2024-04-15 11:31:49 发布
最新推荐文章于 2024-04-15 11:31:49 发布
阅读量9.1k 收藏 25
点赞数 3
分类专栏： 机器学习 文章标签： 分类 召回率和精确率 classification_report
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_36235046/article/details/80588465
版权
classification_report是用于评估分类模型的工具，它提供了每个类别的精确率、召回率和F1分数。精确率衡量预测为正类的样本中有多少是真正正类，召回率则关注正类样本中有多少被正确预测。F1分数是精确率和召回率的调和平均数。示例展示了如何使用classification_report，并解释了其输出结果的计算过程。
摘要由CSDN通过智能技术生成

classification_report用来分析不同类别的准确率，召回率，F1值等，从而便于按照类别查看准确率、召回率。

一.首先介绍下精确率和召回率

精确率是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本。那么预测为正就有两种可能了一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)。

而召回率是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。那也有两种可能，一种是把原来的正类预测成正类(TP)，另一种就是把原来的正类预测为负类(FN)。

TP: 正类预测  正类标签

FP:正类预测  负类标签

TN: 负类预测  负类标签

FN：负类预测  正类标签


二.评价函数

准确率/精度(precision) = 正确预测的个数/被预测正确的个数即：TP/(TP+FP)

召回率(recall)=正确预测的个数/预测个数即：TP/(TP + FN)

F1-score= 2*精度*召回率/(精度+召回率)


示例

from sklearn.metrics import classification_r

最低0.47元/天 解锁文章
CAFFE009
关注
专栏目录
python使用sklearn包的classification_report函数显示主要分类指标报告、抽取classification_report核心结果生成NPV、PPV、特异度、灵敏度、准确度
statistics+insight+vista+power
03-27 1076
python使用sklearn包的classification_report函数显示主要分类指标报告、抽取classification_report核心结果生成NPV、PPV、特异度、灵敏度、准确度
医学数据挖掘流程（四）：建模调参画图
天狼啸月1990的博客
11-11 2150
建模数据集不包含patient_id或case_no，但我们需要保存一版带id的数据集，自己看！二分类模型多分类模型回归模型。
【深度学习】classification_report
littlemichelle
04-10 4774
classification_report() 是python在机器学习中常用的输出模型评估报告的方法。主要参数:y_true：1维数组，或标签指示器数组/稀疏矩阵，目标值。y_pred：1维数组，或标签指示器数组/稀疏矩阵，分类器返回的估计值。labels：array，shape = [n_labels]，报表中包含的标签索引的可选列表。target_names：字符串列表，与标签匹配的可选显示名称（相同顺序）。
classification_report
Lemon_ZL的博客
08-19 1375
#显示主要分类指标的文本报告 from sklearn.metrics import classification_report y_true = [0, 1, 2, 2, 2] y_pred = [0, 0, 2, 2, 1] target_names = ['class 0', 'class 1', 'class 2'] print(classification_report(y_true, y_pred, target_names=target_names)) #support每个样本出现的次数 #微
7.7 分类模型评估
很嗨
06-29 6759
“所有模型都是坏的，但有些模型是有用的”。建立模型之后，接下来就要去评估模型，以确定此模型是否“有用”。sklearn库的metrics模块提供各种评估方法，包括分类评估、回归评估、聚类评估和交叉验证等，本节主要介绍分类模型评估方法。　　评估分类是判断预测值时否很好的与实际标记值相匹配。正确的鉴别出正样本（True Positives）或者负样本（True Negatives）都是True。同理，
解析以下代码：#加载数据集 digits = load_digits() #创建dataframe data = pd.DataFrame(digits.data, columns = digits.feature_names) data['class'] = digits.target#加载数据集 digits = load_digits() #创建dataframe data = pd.DataFrame(digits.data, columns = digits.feature_names) data['class'] = digits.target#训练模型：线性SVM clf1 = svm.LinearSVC() # 这里的参数gamma和C可以根据需要进行调整 clf1.fit(X_train, y_train) y_predict = clf1.predict(X_test) #y测试集预估 print("线性SVM测试集准确率:", clf1.score(X_test, y_test)) print("线性SVM", classification_report(y_test, clf1.predict(X_test))) #模型训练：RBF核函数SVM clf2 = svm.SVC() # 这里的参数gamma和C可以根据需要进行调整 clf2.fit(X_train, y_train) y_predict = clf2.predict(X_test) #y测试集预估 print("RBF核函数SVM准确率:", clf2.score(X_test, y_test)) print("RBF核函数SVM", classification_report(y_test, clf2.predict(X_test)))
06-08
再使用 `score()` 函数计算模型在测试集上的准确率，使用 `classification_report()` 函数输出模型在测试集上的分类报告。 对于 RBF 核函数 SVM，使用 `svm.SVC()` 定义模型，其余步骤同线性 SVM。 需要注意的是，...
Classification-对评价分类
liugallup的专栏
04-13 1060
1、加载数据
[sklearn] 分类预估评价函数
日渐头秃
07-29 450
调用的函数：metrics.classification_report(typeTrue, typePred, digits=5) digits：显示小数位数 一共有5个类（0，1，2，3，4） precision：精度，预测为 i 的实际为i 的概率 recall：召回率，实际为 i 的预测为 i 的概率 f1-score：准确率和召回率的加权平均，f1-score=2*pre...
机器学习（ML）（五）——回归和聚类算法
weixin_46569877的博客
08-12 536
机器学习
理解metrics.classification_report
03-04 1411
混淆矩阵是一个矩阵，类别个数可以有多个，a[i][j]表示将类别i的样本误判为类别j的个数。 classification_report用来分析不同类别的准确率，召回率，F1值等，从而便于按照类别查看准确率、召回率。 总体的正确率跟classification_report中的正确率是不一样。 import numpy as np import sklearn.metrics as m...
【Pytorch】进阶学习：深入解析 sklearn.metrics 中的 classification_report 函数---分类性能评估的利器
最新发布
m0_58477260的博客
04-15 2737
是评估分类模型性能的一个强大工具，它提供了丰富的指标来帮助我们全面评估模型的性能。通过解读报告中的精确率、召回率、F1分数等指标，我们可以了解模型在不同类别上的表现，并根据需要进行优化。要进一步提高模型性能，除了调整模型参数和进行特征工程外，还可以尝试集成学习、深度学习等更高级的方法。此外，了解不同评估指标的含义和优缺点也是非常重要的，这有助于我们更准确地评估模型的性能。希望本博客能够帮助你深入理解函数，并学会如何使用它来评估和优化分类模型的性能。
classification_report解释
热门推荐
花花公子
07-22 4万+
sklearn中的classification_report函数用于显示主要分类指标的文本报告．在报告中显示每个类的精确度，召回率，F1值等信息。  主要参数:  y_true：1维数组，或标签指示器数组/稀疏矩阵，目标值。  y_pred：1维数组，或标签指示器数组/稀疏矩阵，分类器返回的估计值。  labels：array，shape = [n_labels]，报表中包含的标签索引的可选列表。...
【classification_report 函数】
武帝为此的博客
08-22 1272
函数位于模块中，它的主要作用是生成一个分类报告，其中包含了多个评估指标，如精确度、召回率、F1值等。这些指标能够帮助我们更好地了解模型在不同类别上的表现。
【机器学习】classification_report分类报告
weixin_46274756的博客
09-09 8004
classfication_report分类报告 python机器学习
分类（Classification）算法评估指标
weixin_42846157的博客
06-13 1117
混淆矩阵（Confusion Matrix）：真实值，预测值，预测值和真实值之间的关系。 True positive (TP) ：图中的11，真实值为Positive，预测正确（预测值为Positive） True negative (TN)：图中的00，真实值为Negative，预测正确（预测值为Negative） False positive (FP)：图中的01，真实值为Negative，预测错误（预测值为Positive） False negative (FN)：图中的10，真实值为Positiv
Kaggle实战——点击率预估
chengcheng1394的专栏
12-31 3万+
原创文章，转载请注明出处： http://blog.csdn.net/chengcheng1394/ 项目地址： https://github.com/chengstone/kaggle_criteo_ctr_challenge- 点击率预估用来判断一条广告被用户点击的概率，对每次广告的点击做出预测，把用户最有可能点击的广告找出来，是广告技术最重要的算法之一。
分类问题评估函数
zgj_gutou的博客
02-27 618
sklearn的metrics包中有写好的函数可以直接调用 混淆函数 参考网址：https://www.cnblogs.com/klchang/p/9608412.html Tensorflow tf.confusion_matrix 中的 num_classes 参数的含义, 与 scikit-learn sklearn.metrics.confusion_matrix 中的 labels 参数...
sklearn.metrics.classification_report
每天进步一点点2017
07-10 2万+
分类报告：sklearn.metrics.classification_report(y_true, y_pred, labels=None, target_names=None,sample_weight=None, digits=2)，显示主要的分类指标，返回每个类标签的精确、召回率及F1值 主要参数说明： labels：分类报告中显示的类标签的索引列表 target_names：显
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值