sklearn计算fscore等指标

概述

	预测结果
真实情况	正例	反例
正例	TP	FN
反例	FP	TN

查准率：Precision（P） = TP / （TP + FP）  预测为正例的实例中真正正例的比率

查全率：Recall（R）=TP / (TP + FN)             真正正例被预测为正例的比率

查准率与查全率是一对矛盾的度量

Fscore：= 2 * P * R / (P+R)  = 2 * TP / (样例总数 + TP - TN)

计算

python中有直接计算的工具：sklearn

from sklearn.metrics import confusion_matrix,precision_recall_fscore_support
actual = [1, 1, 1, 1, 0,1,0]
predict = [1, 1, 1, 1, 1,1,1]

ravel = confusion_matrix(actual,predict)
if len(ravel) == 0:
   tn,fp,fn,tp = 0,0,0,0
   precision,recall,fscore = [1,1],[1,1],[1,1]
elif len(ravel) == 1:
    tn,fp,fn,tp = 0,0,0,ravel.ravel()[0]
    precision,recall,fscore = [1,1],[1,1],[1,1]
else:
    tn,fp,fn,tp = ravel.ravel()
    precision,recall,fscore,support_micro = precision_recall_fscore_support(actual,predict)
print(tn,fp,fn,tp)
print(precision[1],recall[1],fscore[1])

需要注意的是，如果actual,predict完全一样，ravel的值是[[样本数]]

precision 会把0，1的情况都计算出来，不过一般只关注1的，因此这里都只取precision[1]

结果：