分类算法评估-混淆矩阵、精确率和召回率以及F1_Score

最新推荐文章于 2024-07-11 21:40:10 发布
最新推荐文章于 2024-07-11 21:40:10 发布
阅读量2.5k 收藏 9
点赞数 1
分类专栏： 机器学习 文章标签： 人工智能 机器学习 分类评估 算法评估
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_41682922/article/details/84788971
版权

分类算法评估-混淆矩阵、精确率和召回率

  1. 首先引入问题，为什么我们再评估分类算法的时候通常用精确率和召回率?

假设现在有1000个人。预测他们是否得了癌症。假设他们总共有900人是健康的，10人患癌症，那么在这种情况下我们如果将所有人都预测为健康的。
在这种情况下我们的准确率是: 99.0% 那我们的这个模型显然的不是一个好的模型。

所以就引出了精确率（precision）和召回率（recall）
先来看一个混淆矩阵
混淆矩阵
这里的T就是True，F就是False，P就是Positive（阳性），N就是Negative（阴性）
TN代表的意思也就是：预测的是0 实际也是0
FP代表的意思也就是：预测的是1 实际是0
FN代表的意思也就是：预测的是0 实际是1
TP代表的意思也就是：预测的是1 实际上也是1

然后我们的求精准率的公式就有了 ↓↓↓
精准率公式：
精准率公式

–
召回率公式：召回率公式

文字表达就是**?*
精确率 = 判断为1实际为1 跟 所有预测为1的比例
召回率 = 判断为1实际为1 跟 所有实际为1的比例

这就是精确率和召回率了。其实在不同的情况下所注重的不同，在某些问题上注重精确率，在某些问题上注重召回率。

还有一个评估方法结合了精确率和召回率，那就是F1_Score，
F1_Score将精确率和召回率都兼顾了，也就是求了精确率和召回率的调和平均值。

F1_Score的公式为:
F1分数

					 原			创
可爱的泥鳅
关注
专栏目录
【模型评估】混淆矩阵（confusion_matrix）之 TP、FP、TN、FN；敏感度、特异度、准确率、精确率
钱多多先森
06-08 7786
对基于固定阈值的混淆矩阵进行了详尽的介绍和代码展示，包括依次引申出来的各个评价指标
python和机器学习 第十章 分类算法的评价——混淆矩阵、精准率、召回率、F1 Score
Dear_leslie的博客
07-17 1206
分类算法的评价 1、分类准确度 对于极度偏斜的数据，只使用分类准确度是远远不够的 2、混淆矩阵 1、二分类问题 2、精准率 预测为1的事件，预测成功的概率 3、召回率 对于实际发生的事件1，预测成功的概率 4、精准率和召回率的意义 jkl ...
混淆矩阵与精确度、召回率、F1 Score
日进一步
01-26 6870
1、计算公式 从混淆矩阵计算精确度、召回率、F1 Score的过程如下图所示，其中P和R即Precision和Recall： 2、验证实验 如下图为Azure ML自带的一个示例给出的模型评分结果：原始计算结果给出了混淆矩阵与Accuracy、精确度、召回率和F1 Score，图中插入的文字给出了这些评估值的计算过程，计算过程一目了然：
F1-score
weixin_46348136的博客
07-11 1901
仅记录个人学习
关于混淆矩阵中精读和召回率的计算
weixin_38527856的博客
03-29 2807
在进行二分类或多分类任务中为了直观的看出分类效果,以及为后续的错误分析做准备,需要计算整个分类的混淆矩阵,此中涉及到的是分类准确率和召回率的计算: 准确率(精度):预测正确值占预测为该类别总体的比例 召回率:预测正确值占该类别中所有预测值的比例 正对角线表示预测正确的值,其余值为预测错误的值 二分类: 分类效果只有1和0之分, 横轴为预测值,纵轴为真实值 准...
对混淆矩阵、F1-Score
刘明的博客
02-23 1万+
（一）混淆矩阵 混淆矩阵是除了ROC曲线和AUC之外的另一个判断分类好坏程度的方法。下面给出二分类的混淆矩阵 Predicted as Positive Predicted as Negative Labeled as Positive True Positive(TP) False Negative(FN) Labeledas Negativ...
画混淆矩阵,并根据矩阵计算准确率、每个类别的精确率和召回率
m0_50127633的博客
10-27 7264
TP(True Positives):实际为正例并且预测为正例 FP(False Postives):实际为反例但是预测为正例 TN(True Negatives):实际为反例并且预测为反例 FN(False Negatives):实际为正例但是预测为反例 精确率=TP/(TP+FP) 召回率=(TP)/(TP+FN) # coding=utf-8 import matplotlib.pyplot as plt import numpy as np confusion = np.array(([200,0
分类算法中的准确率、精确率、召回率、混淆矩阵（评估）
糖公子没来过的博客
07-27 1170
KNN-iris分类 import numpy as np import matplotlib.pylab as pyb from sklearn.nerghbors import KNeighborsClassifier from sklearn import datasets from matplotlib.colors import ListedColormap # 加载数据，数据降维（画图） # load_iris中有个参数return_X_y默认为False，改为True后返回data值和t
机器学习分类评估方法——准确率、精确率、召回率、F1-score、ROC曲线 的详细介绍
Ma Sizhou
03-02 2600
目录1、分类评估方法1.1 分类评估方法1.1.1 精确率与召回率（1）混淆矩阵:（2） 精确率(Precision)与召回率(Recall)1.1.2 F1-score1.1.3 分类评估报告api1.2 ROC曲线与AUC指标1.2.1 TPR与FPR1.2.2 ROC曲线1.2.3 AUC指标1.2.4 AUC计算API总结：2、ROC曲线的绘制2.1 曲线绘制（1） 如果概率的序列是（1:0.9,2:0.7,3:0.8,4:0.6,5:0.5,6:0.4）（2） 如果概率的序列是（1:0.9,2:.
分类算法的评估方法(精确率和召回率)
cai_niao_lu的博客
12-10 1168
这里具体讲解了混淆矩阵和精确率召回率的计算方法，还有一个重要的评价指标：F1-score。
【模型评估】Python混淆矩阵、FP、FN、TP、TN、ROC、FROC、mAP、Precision、Recall、Accuracy、F1 score详述与实现
热门推荐
钱多多先森
08-14 4万+
深度学习中，模型评估常用的指标、实现算法汇总。后续还会有几个章节，对其中的各个小点进行详述
混淆矩阵、召回率、精确率、正确率、F1、真阳性率、假阳性率、ROC、AUC
Hayden的博客
10-21 3363
ConfusionMatrix:Confusion Matrix:ConfusionMatrix: 真实 1 0 预测 1 TP(命中) FP(虚报) 0 FN(漏报) TN(正确拒绝) 召回率Recall=TPTP+FNRecall = \dfra
【机器学习算法面试题】二.精确率Precision和召回率Recall的权衡。
计算机科研杂货铺
01-28 1169
目录一、TP / FN / FP / TN二、精确率Precision三、召回率Recall四、F1值(F1 score) 一、TP / FN / FP / TN 预测问题会有下列4种情况：TP / FN / FP / TN 第一个字母（True/False）表示你的预测值是否正确，第二个字母（Positive/Negative）表示你的预测的结果是什么。通常，以关注的类作为“正类”，其他类为负类。在垃圾邮件检测中，“垃圾邮件”是正类，则“正常邮件”是负类。 TP——True，Positive：预测正确&a
Deep Learning 基础 -- 混淆矩阵、准确率、召回率、F1-Score
ProYH
08-02 6427
Deep Learning 基础 – 混淆矩阵、准确率、召回率、F1-Score Tags： Deep_Learning 本文主要包含如下内容： Deep Learning 基础 – 混淆矩阵、准确率、召回率、F1-Score 混淆矩阵、准确率、召回率、F1-Score 混淆矩阵 准确率、召回率 P-R曲线、F1-Score AP、MAP TPR、FPR、TNR ROC、AUC ...
评估指标——混淆矩阵与准确率指标
摄影爱好者
04-29 720
评估指标、召回率、精确率、混淆矩阵
机器学习--分类算法--决策树算法理论
weixin_35733800的博客
03-26 429
目录 一 信息量 1 信息量是指一个事件所蕴含的信息量大小 2 信息量的度量 1）熵 相关公式 熵的性质 2）基尼系数 基尼系数的相关公式 基尼系数的性质 3）错误率 二 算法原理 1 决策树构造关键是选择特征属性以及分裂特征属性（树结构） 2 决策树构建过程是一种递归过程，所以必须给定停止条件，否则过程不会停止 三 算法评价标准 1 方式一 分类算法常用的混淆矩阵 ...
二、机器学习基础2（分类算法）
myani的博客
04-12 441
常用分类算法的优缺点 分类算法 优点 缺点 Bayes 贝叶斯分类法 1.所需估计参数少，对缺失数据不敏感 2.数学基础夯实，有稳定效率 1.属性相互独立 2.需先验概率 3.分类决策存在错误 Decision tree 决策树 1.不需任何知识 2.适合高维数据 3.简单易理解 4.速
python机器学习 二分类 混淆矩阵_机器学习系列（三十一）——ROC曲线、多分类问题的混淆矩阵...
weixin_39688687的博客
01-13 599
本篇主要内容：ROC曲线、多分类混淆矩阵ROC曲线ROC全称是Receiver Operation Characteristic Curve，它描述的是TPR和FPR之间的关系。ROC曲线TPR(True Positive Rate)的计算公式为：它表示预测值为1，真实值也为1中预测正确的比例，TPR其实就是Recall。FPR(False Positive Rate)的计算公式为：它表示预测值为...
【机器学习】F1-score那些事
aqwca的博客
09-02 934
如果你有一个不平衡的数据集，那么你应该使用macroF1分数，因为即使类是偏斜的，这仍然会反映真实的模型性能。然而，如果你有一个平衡的数据集，那么可以考虑microF1分数，特别是如果与最终用户交流结果很重要的话。
导入数据集，进行可视化分析，建立分类模型预测乳腺肿瘤良恶性。 要求：输出模型AUC、准确度、精确度、召回率、F1-score等参数以及ROC曲线、混淆矩阵等图形。
最新发布
09-09
要导入数据集，进行可视化分析，并建立分类模型预测乳腺肿瘤良恶性，可以遵循以下步骤： 1. 数据导入： 首先，需要导入相关的数据集。假设数据集已存储为CSV文件，可以使用Python的`pandas`库读取数据。 ```python import pandas as pd data = pd.read_csv('path_to_your_data.csv') ``` 2. 数据预处理： 清洗数据，处理缺失值，对特征进行编码，对数据进行标准化或归一化等。还需要将数据集分为训练集和测试集。 ```python from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler X = data.drop('label', axis=1) # 假设'label'是目标列 y = data['label'] X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) scaler = StandardScaler() X_train = scaler.fit_transform(X_train) X_test = scaler.transform(X_test) ``` 3. 可视化分析： 使用`matplotlib`或`seaborn`库进行数据可视化，比如使用箱型图查看数据分布，使用热图查看特征相关性等。 ```python import seaborn as sns import matplotlib.pyplot as plt # 绘制特征相关性热图 plt.figure(figsize=(10, 8)) sns.heatmap(X_train.corr(), annot=True, fmt=".2f") plt.show() ``` 4. 建立分类模型： 选择合适的机器学习算法，例如逻辑回归、随机森林、支持向量机等，建立模型进行训练。 ```python from sklearn.linear_model import LogisticRegression model = LogisticRegression() model.fit(X_train, y_train) ``` 5. 模型评估： 使用测试集评估模型性能。计算AUC、准确度、精确度、召回率、F1-score等参数，并绘制ROC曲线和混淆矩阵。 ```python from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, roc_auc_score, roc_curve, confusion_matrix import matplotlib.pyplot as plt # 预测和评估 predictions = model.predict(X_test) predictions_proba = model.predict_proba(X_test)[:,1] # 计算参数 print("AUC:", roc_auc_score(y_test, predictions_proba)) print("准确度:", accuracy_score(y_test, predictions)) print("精确度:", precision_score(y_test, predictions)) print("召回率:", recall_score(y_test, predictions)) print("F1-score:", f1_score(y_test, predictions)) # 绘制ROC曲线 fpr, tpr, thresholds = roc_curve(y_test, predictions_proba) plt.figure() plt.plot(fpr, tpr, label='ROC Curve (area = %0.2f)' % roc_auc_score(y_test, predictions_proba)) plt.plot([0, 1], [0, 1], 'k--') plt.xlim([0.0, 1.0]) plt.ylim([0.0, 1.05]) plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.title('Receiver Operating Characteristic') plt.legend(loc="lower right") plt.show() # 绘制混淆矩阵 cm = confusion_matrix(y_test, predictions) sns.heatmap(cm, annot=True, fmt="d") plt.show() ```
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