分类评价指标和回归评价指标及python实现

版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/qq_36962569/article/details/79881065

目录

1、概念

性能度量(评价)指标,主分为两大类:
 1)分类评价指标(classification),主要分析,离散的,整数的。其具体指标包括accuracy(准确率),precision(精确率),recall(召回率),F值,P-R曲线,ROC曲线和AUC。
 2)回归评价指标(regression),主要分析整数和实数之间的关系。其具体指标包括可释方差得分(explianed_variance_score),平均绝对误差MAE(mean_absolute_error),均方误差MSE(mean-squared_error),均方根差RMSE,交叉熵lloss(Log loss,cross-entropy loss),R方值(确定系数,r2_score)。

1.1、前提

假设只有两类-正类(positive)和负类(negative),通常以关注的类为正类,其他类为负类(故多类问题亦可归纳为两类)
混淆矩阵(Confusion matrix)如下

实际类别 预测类别
总结
TP FN P(实际为正)
FP TN N(实际为负)

表中AB模式:第一个表示预测结果的对错,第二个表示预测的类别。如TP表示,True Positive,即正确的预测为正类;FN表示,False Negative,即错误的预测为了负类。

2、评价指标(性能度量)

2.1、分类评价指标
2.1.1 值指标-Accuracy、Precision、Recall、F值
度量 Accuracy(准确率) Precision(精确率) Recall(召回率) F值
定义 正确分类的样本数与总样本数之比(预测为垃圾短信中真正的垃圾短信的比例) 判定为正例中真正正例数与判定为正例数之比(所有真的垃圾短信被分类求正确找出来的比例) 被正确判定为正例数与总正例数之比 准确率与召回率的调和平均Fβ-score
表示 accuracy=
TP+TNP+N
precision=
TPTP+FP
recall=
TPP
Fβ - score =
(1+β2)precisionrecallβ2precision+recall

1.precision也常称为查准率,recall称为查全率
2.比较常用的是F1,

1F1=12(1P+1R)

python3.6代码实现:

#调用sklearn库中的指标求解
from sklearn import metrics
from sklearn.metrics import precision_recall_curve
from sklearn.metrics import average_precision_score
from sklearn.metrics import accuracy_score
#给出分类结果
y_pred = [0, 1, 0, 0]
y_true = [0, 1, 1, 1]
print("accuracy_score:", accuracy_score(y_true, y_pred))
print("precision_score:", metrics.precision_score(y_true, y_pred))
print("recall_score:", metrics.recall_score(y_true, y_pred))
print("f1_score:", metrics.f1_score(y_true, y_pred))
print("f0.5_score:", metrics.fbeta_score(y_true, y_pred, beta=0.5))
print("f2_score:", metrics.fbeta_score(y_true, y_pred, beta=2.0))
2.1.2 相关曲线-P-R曲线、ROC曲线及AUC值

1)P-R曲线
步骤:
   1、从高到低将”score”值排序并依次作为阈值threshold;
   2、对于每个阈值,”score”值大于或等于这个threshold的测试样本被认为正例,其他为负例。从而形成一组预测数。
eg.
这里写图片描述
将0.9作为阈值,则第1个测试样本为正例,2、3、4、5为负例
得到

预测为正例 预测为负例 总计
正例(score大于阈值) 0.9 0.1 1
负例(score小于阈值) 0.2+0.3+0.3+0.35 = 1.15 0.8+0.7+0.7+0.65 = 2.85 4
precision=
0.90.9+1.15
recall=
0.91

在阈值以下的部分,当作负例,则预测为负例的取值情况是正确预测值,即如果本身是正例,则取TP;如果本身是负例,则取TN,其都为预测分值。
python实现伪代码

#precision和recall的求法如上
#主要介绍一下python画图的库
import matplotlib.pyplot ad plt
#主要用于矩阵运算的库
import numpy as np
#导入iris数据及训练见前一博文
...
#加入800个噪声特征,增加图像的复杂度
#将150*800的噪声特征矩阵与150*4的鸢尾花数据集列合并
X = np.c_[X, np.random.RandomState(0).randn(n_samples, 200*n_features)]
#计算precision,recall得到数组
for i in range(n_classes):
    #计算三类鸢尾花的评价指标, _作为临时的名称使用
    precision[i], recall[i], _ = precision_recall_curve(y_test[:, i], y_score[:,i])
#plot作图
plt.clf()
for i in range(n_classes):
    plt.plot(recall[i], precision[i])
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel("Recall")
plt.ylabel("Precision")
plt.show()

将上述代码补充完整后得到鸢尾花数据集的P-R曲线
这里写图片描述
2)ROC曲线
横轴:假正例率 fp rate = FP / N
纵轴:真正例率 tp rate = TP / N
步骤:
   1、从高到低将”score”值排序并依次作为阈值threshold;
   2、对于每个阈值,”score”值大于或等于这个threshold的测试样本被认为正例,其他为负例。从而形成一组预测数。

同P-R曲线计算类似,不再赘述
鸢尾花数据集的ROC图像为
这里写图片描述
AUC(Area Under Curve)定义为ROC曲线下的面积
AUC值提供了分类器的一个整体数值。通常AUC越大,分类器更好,取值为[0, 1]

2.2、回归评价指标

1)可释方差得分
这里写图片描述
2)平均绝对误差 MAE (Mean absolute error)
这里写图片描述
3)均方差 MSE (Mean squared error)
这里写图片描述
这里写图片描述
4)logistics回归损失
这里写图片描述
5)一致性评价 - pearson相关系数法
这里写图片描述
python代码实现

from sklearn.metrics import log_loss
log_loss(y_true, y_pred)
from scipy.stats import pearsonr
pearsonr(rater1, rater2)
from sklearn.metrics import cohen_kappa_score
cohen_kappa_score(rater1, rater2)
展开阅读全文

没有更多推荐了,返回首页