Python — sklearn 分类效果评估

Python — sklearn 分类效果评估

因为最近写的分类模型需要性能评价 ，常用的分类性能评价有 查准率、召回率、准确率、F1

分类问题的常用的包 sklearn ，下面对相关方法进行介绍

前提知识

对于我们的二分类问题，会有以下情况：

• 真正例（True Positive，TP）：真实类别为正例，预测类别为正例。
• 假正例（False Positive，FP）：真实类别为负例，预测类别为正例。
• 假负例（False Negative，FN）：真实类别为正例，预测类别为负例。
• 真负例（True Negative，TN）：真实类别为负例，预测类别为负例。

然后可以构建混淆矩阵（Confusion Matrix）如下表所示。

真实类别	预测类别	预测类别
	正例	负例
正例	TP	FN
负例	FP	TN

ACC
$$Acc=(TP+TN)/total$$
准确率，又称查准率（Precision，P）：
$$P=TP/(TP+FP)$$
召回率，又称查全率（Recall，R）：
$$R=TP/(TP+FN)$$
F1值：
$$F1=(2\ast P\ast R)/(P+R)$$

Acc 请看另外一篇文章： sklearn 计算 acc

查准率 请看另外一篇文章： sklearn 计算查准率

召回率 请看另外一篇文章： sklearn 计算召回率

F1 请看另外一篇文章：sklearn 计算 F1