机器学习算法性能度量

最近又返回去刷西瓜书了，重新看了一下混淆矩阵，性能度量最常用的就是混淆矩阵了吧？有错误的地方大佬们多多指正

1.混淆矩阵
真的字如其名，初次认识他我真的很容易被混淆，贴上图看一下：

（1）查准率（precision）：

$P=\frac{TP}{TP+FP}$

代表的是预测为正例里面，正确的比例

（2）查全率（召回率）（recall）:

$R=\frac{TP}{TP+FN}$

代表的是真实值为正例里面被正确预测出来的比例

（3）F1分数
综合考量了查准率和查全率，一般很多模型都是用这个来评价，公式：
$F1=\frac{2\ast P\ast R}{P+R}=\frac{2\ast TP}{样例总数+TP-TN}$

2.代码实现
sklearn里面封装好了完整的混淆矩阵库，可以直接调用：

from sklearn.metrics import f1_score
from sklearn.metrics import accuracy_score
from sklearn.metrics import precision_score
from sklearn.metrics import recall_score
precision_score=precision_score(labels_test,y_pred,pos_label=1,average='binary')
accuracy=accuracy_score(labels_test,y_pred)
recall_score=recall_score(labels_test,y_pred,pos_label=1,average='binary')
F1=f1_score(labels_test,y_pred,pos_label=1,average='binary')
print('precision_score=',precision_score)
print('recall_score=',recall_score)
print('accuracy_score=',accuracy)
print('f1_score=',F1)

out:precision_score= 0.866738894907909
recall_score= 0.70298769771529
accuracy_score= 0.711875
f1_score= 0.7763221737020863

代码直接调用非常简单，需要注意的一点是，在计算的过程中，计算机其实并不知道0和1哪个是正例哪个是反例，需要我们人为的去标定它，在查全率、召回率、F1分数都用到了混淆矩阵，那么就需要区分正反例，函数中pos_label=1是用于认人为标记样本正例的。