sklearn 绘制roc曲线_深度学习多种模型评估指标介绍附sklearn实现

最新推荐文章于 2024-07-08 16:45:31 发布

珍珠厚鲜奶

最新推荐文章于 2024-07-08 16:45:31 发布

阅读量1.1k

点赞数 2

文章标签： sklearn 绘制roc曲线

本文链接：https://blog.csdn.net/weixin_30819373/article/details/112186935

版权

本文详细介绍了多种机器学习模型的评估指标，如准确率、精准率、召回率、F1-Score等，并重点讨论了ROC曲线和AUC值。ROC曲线展示了分类器的真正类率与负正类率之间的关系，AUC值则衡量了分类器区分正负样本的能力。在样本分布不平衡的情况下，ROC曲线能更好地保持稳定，优于PR曲线。

摘要由CSDN通过智能技术生成

1、准确率accuracy

预测正确的样本数/总样本数，但accuracy对于样本数据不均衡的问题来说不具有说服力，当样本不均衡时，准确率即是很高也不代表分类器效果好

#准确率from sklearn.metrics import accuracy_scorey_true = [2, 1, 0, 1, 2, 0]y_pred = [2, 0, 0, 1, 2, 1]accuracy_score(y_true, y_pred)   #总样本数6个，预测正确了4个，正确率：4/6

在介绍下面的评估指标时，先明白以下概念，在多类分类问题中，分类结果一般有4种情况:

(1) 属于类C的样本被正确分类到类C，记这一类样本数为 TP

(2) 不属于类C的样本被错误分类到类C，记这一类样本数为 FP

(3) 属于类别C的样本被错误分类到类C的其他类，记这一类样本数为 TN

(4) 不属于类别C的样本被正确分类到了类别C的其他类，记这一类样本数为 FN

2、精准率precision

预测为正样本中有多少是真正的正样本，精准率看的是预测为某一类的样本中有多少是真正属于这一类的，计算公式：

#精准率from sklearn.metrics import precision_scorey_true = [1, 1, 1, 1, 1, 0]y_pred = [1, 0, 0, 1, 1, 1]#精准率precision: y_pred预测出了四个正例，其中有三个为正例，精准率：3/4=0.75precision_score(y_true, y_pred)

3、召回率recall

样本中的正例有多少被预测正确了，召回率看的是在分类任务中某一类样本是否完全被预测正确，计算公式：

#召回率from sklearn.metrics import recall_scorey_true = [1, 1, 1, 1, 1, 0]y_pred = [1, 0, 0, 1, 1, 1]#召回率recall：总共有五个正例，y_pred预测正确率3个正例，召回率：3/5=0.6recall_score(y_true, y_pred)