python多分类画混淆矩阵_二分类算法的评价指标：准确率、精准率、召回率、混淆矩阵、AUC...

最新推荐文章于 2024-07-16 11:57:51 发布
最新推荐文章于 2024-07-16 11:57:51 发布
阅读量599 收藏
点赞数
文章标签： python多分类画混淆矩阵
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/weixin_39834780/article/details/111615252
版权
本文介绍了在二分类问题中，准确率、精准率、召回率等评价指标的含义，并通过混淆矩阵进行详细阐述。在数据不平衡的情况下，准确率可能无法准确反映算法性能，因此需要结合精准率和召回率进行评估。同时，通过举例说明了在实际应用中如何避免误判带来的问题。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

评价指标是针对同样的数据，输入不同的算法，或者输入相同的算法但参数不同而给出这个算法或者参数好坏的定量指标。
以下为了方便讲解，都以二分类问题为前提进行介绍，其实多分类问题下这些概念都可以得到推广。准确率
准确率是最好理解的评价指标，它是一个比值：


准确率 = cfrac{算法分类正确的数据个数}{输入算法的数据的个数}


但是使用准确率评价算法有一个问题，就是在数据的类别不均衡，特别是有极偏的数据存在的情况下，准确率这个评价指标是不能客观评价算法的优劣的。例如下面这个例子：
我们检测对 1000 个人是否患有癌症进行检测，其实癌症是一个发病率很低的疾病，我们就假定这 1000 个人里面只有 3 个人真正患病。
此时，我们可以“无脑地”设计一个算法，就预测这 1000 个人全部健康。根据准确率的定义，除了那 3 个真正患病的病人我们预测错了，其余健康的 997 人我们的算法都预测正确了，此时
准确率=算法分类正确的数据输入算法的数据的总数=9971000=99.7%准确率=算法分类正确的数据输入算法的数据的总数=9971000=99.7%
准确率 = cfrac{算法分类正确的数据}{输入算法的数据的总数} = cfrac{997}{1000} = 99.7%
事实上，这样的算法没有任何的预测能力，真的用于医疗是极其不负责的，于是我们就应该考虑是不是评价指标出了问题。这个时候就需要别的评价指标了。

精准率、召回率

要解释清楚精准率和召回率，得先解释混淆矩阵，二分类问题的混淆矩阵由 4 个数构成。首先我们将二分类问题中，我们关心的，少数的那一部分数据，我们称之为正例（positive），就如同预测癌症，癌症患者就定义为正例。那么剩下的就定义为负例（negative）。

于是，我们定义：

TN：算法预测为负例（N），实际上也是负例（N）的个数，即算法预测对了（True）；

FP：算法预测为正例（P），实际上是负例（N）的个数，即算法预测错了（False）；

FN：算法预测为负例（N），实际上是正例（P）的个数，即算法预测错了（False）；

TP：算法预测为正例（P），实际上也是正例（P）的个数，即算法预测对了（True）。

这 4 个定义由两个字母组成，第 1 个字母表示算法预测正确或者错误，第 2 个字母表示算法预测的结果。

混淆矩阵

混淆矩阵定义如下：
​

预测值 0预测值 1真实值 0TNFP真实值 1FNTP

二分类算法的评价指标：准确率、精准率、召回率、混淆矩阵、AUC - 李威威 - 博客园​www.cnblogs.com
574a31aef97fa001ad27f5d0345b136a.png

​

机器学习备忘录 | 二分类模型常用评价指标汇总
小美哥的博客
06-12 3529
有很多指标可以衡量机器学习模型的效果，不同的任务使用的评价指标也不尽相同。本文对二分类任务的评价指标加以总结。全文系作者原创，仅供学习参考使用，转载授权请私信联系，否则将视为侵权行为。码字不易，感谢支持。 在二分类问题中，数据的标签通常用（0/1）来表示，在模型训练完成后进行测试时，会对测试集的每个样本计算一个介于0~1之间的概率，表征模型认为该样本为阳性的概率，我们可以选定一个阈值，将模型...
python计算召回率_混淆矩阵、准确率、精确率、召回率、F值、ROC曲线、AUC、PR曲线-Sklearn.metrics评估方法...
weixin_39567943的博客
11-24 1913
目录混淆矩阵 confusion-matrix分类准确率 accuracy精确率Precision召回率 recallF1值Roc曲线、AUCPR曲线混淆矩阵 confusion-matrixTP(True Positive): 真实为0，预测也为0FN(False Negative): 真实为0，预测为1FP(False Positive): 真实为1，预测为0TN(True Negative)...
Python实现分类器性能度量（混淆矩阵，正确率，准确率，召回率，ROC，AUC）
zryowen123的博客
04-16 1万+
1.混淆矩阵 对于二分类问题，可将样例根据其真实类别与分类器预测类别的组合划分为: 真正例（true positive）：将一个正例正确判断为正例 假正例（false positive）：将一个反例错误判断为正例 真反例（true negative）：将一个反例正确判断为反例 假反例（false negative）：将一个正例错误判断为反例 令TP、FP、TN、FN分别表示对应的样例数...
python分类算法评估模型_分类模型评估的方法及Python实现
weixin_39620278的博客
01-29 777
model_selection.py​github.com1. 分类模型分类问题其实在生活中处处可见，比如我们在大街上看妹纸，会把妹纸的外貌分为好看和非常好看(求生欲。。。)；再比如我们刷微博，会把微博推送给我们的内容分为喜欢的和不喜欢的。上述问题就是典型的分类问题，确切的说是二分类问题，而能够解决这些二分类问题的数学模型就被称为二分类模型。用数学的方式表达就是，给定自变量X，代入到我们的分类模型...
【Pytorch-从一团乱麻到入门】：3、模型效果评估指标：ROC、AUC、precision、recall
qq_40815731的博客
02-15 4508
在构建模型中，我们经常会用到AUC、ROC等指标来进行模型效果评估 ROC全称是“受试者工作特征”（Receiver Operating Characteristic）。ROC曲线的面积就是AUC（Area Under the Curve）。AUC用于衡量“二分类问题”机器学习算法性能（泛化能力）。 如果大家对二值分类模型熟悉的话，都会知道其输出一般都是预测样本为正例的概率，而事实上，ROC曲线正是通过不断移动分类器的“阈值”来生成曲线上的一组关键点的 Python中sklearn直接提供了用于计算R
python准确率 召回率计算_二分类算法的评价指标：准确率、精准率、召回率、混淆矩阵、AUC...
weixin_39757040的博客
12-06 1085
评价指标是针对同样的数据，输入不同的算法，或者输入相同的算法但参数不同而给出这个算法或者参数好坏的定量指标。以下为了方便讲解，都以二分类问题为前提进行介绍，其实多分类问题下这些概念都可以得到推广。准确率准确率是最好理解的评价指标，它是一个比值：\[准确率 = \cfrac{算法分类正确的数据个数}{输入算法的数据的个数}\]但是使用准确率评价算法有一个问题，就是在数据的类别不均衡，特别是有极偏的数...
python机器学习 二分类 混淆矩阵_机器学习实战_分类（二）
weixin_31943957的博客
02-04 1650
我们训练一个RandomForestClassifier，然后拿它的的ROC曲线和ROC AUC数值去跟SGDClassifier的比较。首先你需要得到训练集每个样例的数值。但是由于随机森林分类器的工作方式，RandomForestClassifier不提供decision_function()方法。相反，它提供了predict_proba()方法。Skikit-Learn分类器通常二者中的一个。...
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 1303
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 ...
混淆矩阵和分类常用指标（AUC，AUPR，Accuracy，Precision，Recall和F1-score）的计算及其详解
最新发布
qq_45647530的博客
07-16 1033
在计算各个分类指标前，博主准备了两个预训练二分类模型，并在测试集上测试它们，获得对应的预测分数和预测标签，其。）[1] 是一个用于描述分类模型性能的工具。它用于总结分类算法在测试数据集上的表现情况。：正类一般是研究中所关注的一类样本。对指标的计算我们借助机器学习库。
《Python机器学习基础教程》模型评估指标（精度、混淆矩阵、准确率、召回率、f-分数、准确率召回率曲线、ROC曲线以及AUC）
elma_tww的博客
03-12 3181
《Python机器学习基础教程》笔记 总结监督模型在给定数据集上的表现有很多种方法，例如，精度、混淆矩阵、准确率、召回率、f-分数、准确率召回率曲线、ROC曲线以及AUC。下面先以二分类为例，解释各种评估指标的含义，然后再拓展多分类的指标，最后简单介绍一下回归指标。 一、二分类 首先需要掌握几个术语的含义： ①假正例（FP）：预测错误，预测为“正”类，但实际是“反”类。 ②假反例（FN）...
多分类问题下准确率python_关于机器学习二分类问题的几个评估指标辨析
weixin_39968655的博客
12-21 1053
在完成机器学习中的二分类问题的建模阶段后，需要对模型的效果做评价，如今业内通常采用的评价指标有精确率(Precision)、准确率(Accuracy)、召回率(Recall)、F值(F-Measure)等多个方面，为了准确理解以避免混淆，本文将对这些指标做简要介绍。1 混淆矩阵其实，上面提及的诸多评测指标都是在混淆矩阵上衍生出来的，因此先简要介绍混淆矩阵。针对二分类问题，通常将我们所关心的类别定为...
二分类任务评价指标（上）
zenRRan的博客
01-09 511
每天给你送来NLP技术干货！来自：AI算法小喵点击这里进群—>加入NLP交流群1. 评价指标在对比不同模型时，我们需要在测试集上用评价指标去对比模型的泛化能力。当然不同的评价指标会有不同的结果，模型的“好”与“差”是相对的。可能在某个指标下，模型A的效果优于模型B；但在另一个指标下，模型B的效果却优于模型A。我们需要全面了解一个任务的评价指标体系，然后根据具体的业务目标/任务需求去选择相应的...
一篇文章学会二分类评估器---混淆矩阵
qq_63119830的博客
08-26 3151
对于“ROC曲线”和“精度/召回率曲线”他们两者我们应该如何选择？1.如果正类非常的少见或者你更关注假正类，而不是假负类时，你应该选择“精度/召回率曲线”2.反之你应该选择“ROC曲线”
多分类机器学习评价指标之准确率、精确率、召回率、F1值、ROC、AUC
qwe1110的博客
12-04 2万+
准确率、精确率、召回率、F1值 定义： 准确率（Accuracy）：正确分类的样本个数占总样本个数， A = (TP + TN) / N 精确率（Precision）：预测正确的正例数据占预测为正例数据的比例， P = TP / (TP + FP) 召回率（Recall）：预测为正确的正例数据占实际为正例数据的比例， R = TP / (TP + FN) F1 值（F1 score...
详细讲解分类模型评价指标（混淆矩阵）python示例
weixin_46945904的博客
02-15 2718
本文详细介绍了机器学习中模型分类评价指标，其中包含了模型的精确率、召回率、灵敏度和特异度，ROC和AUC的计算公式并附有代码示例，便于初学者掌握机器学习的基本知识
python 多分类画auc曲线和macro-average ROC curve
Learning from the mistakes
06-07 8366
最近帮一个人做了一个多分类画auc曲线的东西，不过最后那个人不要了，还被说了一顿，心里很是不爽，anyway，我写代码的还是要继续写代码的，所以我准备把我修改的代码分享开来，供大家研究学习。 导入基础的pandas和keras处理函数 import pandas as pd from keras.utils import to_categorical 导入数据 data=pd.read_excel('5分类新.xlsx') data.head() 导入机器学习库 from sklearn.met
机器学习评价指标 ROC与AUC 的理解和python实现
热门推荐
张渊猛的博客
08-15 2万+
本文所讲内容的前提是一个二分类的任务，多分类任务可以经过简单扩展用转化成二分类。 评估一个二分类的分类器的性能指标有：准确率、查准率（precision）、查全率（recall）、F1值以及ROC和AUC等。前面几个比较直观，而ROC和AUC相对抽象一点，本文将重点放在后者。因为本文曾一度没搞清ROC，所以这次彻底搞明白。 从混淆矩阵说起 首先一个用分类器预测完后，我们会得到一个二分类的混淆...
混淆矩阵 评价指标
llf000000的博客
04-08 867
【代码】论文复现 混淆矩阵。
混淆矩阵、准确率、F1和召回率的具体实现及混淆矩阵的可视化
a645676的博客
10-17 7512
混淆矩阵、准确率、精确率、召回率、F1的计算具体实现和混淆矩阵的可视化
python 用分类算法对csv文件的数据集里的数据进行分析 使用精度、召回率、准确率和AUC值对模型进行评价 代码
06-01
好的，下面是一个简单的 Python 代码示例，用来对 CSV 文件中的数据进行分类并计算评价指标。 首先，我们使用 Pandas 库读取 CSV 文件并获取数据集： ``` import pandas as pd # 读取 CSV 文件 data = pd.read_csv('data.csv') # 获取特征和目标 X = data.iloc[:, :-1].values y = data.iloc[:, -1].values ``` 接下来，我们将数据集分为训练集和测试集： ``` from sklearn.model_selection import train_test_split # 将数据集分为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0) ``` 然后，我们可以选择使用不同的分类算法来训练模型，这里我们使用决策树算法： ``` from sklearn.tree import DecisionTreeClassifier # 训练决策树模型 classifier = DecisionTreeClassifier() classifier.fit(X_train, y_train) ``` 在训练模型之后，我们可以使用精度、召回率、准确率和AUC值这些指标来评估模型的性能： ``` from sklearn.metrics import accuracy_score, precision_score, recall_score, roc_auc_score # 在测试集上进行预测 y_pred = classifier.predict(X_test) # 计算评价指标 accuracy = accuracy_score(y_test, y_pred) precision = precision_score(y_test, y_pred) recall = recall_score(y_test, y_pred) auc = roc_auc_score(y_test, y_pred) # 输出评价指标 print("Accuracy:", accuracy) print("Precision:", precision) print("Recall:", recall) print("AUC:", auc) ``` 完整代码示例： ``` import pandas as pd from sklearn.model_selection import train_test_split from sklearn.tree import DecisionTreeClassifier from sklearn.metrics import accuracy_score, precision_score, recall_score, roc_auc_score # 读取 CSV 文件 data = pd.read_csv('data.csv') # 获取特征和目标 X = data.iloc[:, :-1].values y = data.iloc[:, -1].values # 将数据集分为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0) # 训练决策树模型 classifier = DecisionTreeClassifier() classifier.fit(X_train, y_train) # 在测试集上进行预测 y_pred = classifier.predict(X_test) # 计算评价指标 accuracy = accuracy_score(y_test, y_pred) precision = precision_score(y_test, y_pred) recall = recall_score(y_test, y_pred) auc = roc_auc_score(y_test, y_pred) # 输出评价指标 print("Accuracy:", accuracy) print("Precision:", precision) print("Recall:", recall) print("AUC:", auc) ``` 注意：这只是一个示例代码，实际情况下你需要根据你的数据集和任务选择合适的分类算法，并进行参数调优等工作。
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