1.分类评估方法
【准确率:预测正确的数占样本总数的比例。 (TP+TN)/(TP+TN+FP+FN)】
1.1 精确率与召回率
1.1.1 混淆矩阵
在分类任务下,预测结果(Predicted Condition)与正确标记(True Condition)之间存在四种不同的组合,构成混淆矩阵(适用于多分类)
1.1.2 精确率(Precision)与召回率(Recall)
- 精确率:预测结果为正例样本中真实为正例的比例 【查的准不准】【预测100个人得病,其实真正得病的有90人 TP/(TP+FP)】
- 召回率:真实为正例的样本中预测结果为正例的比例(查得全,对正样本的区分能力) 【查的全不全】【真正有100个人得病,其实真正预测得病的有90人 TP/(TP+FN)】
1.2 F1-score
还有其他的评估标准,F1-score,反映了模型的稳健型 【即评估效果】
【结果越解近1,模型的稳健性越强】
1.3 分类评估报告api
- sklearn.metrics.classification_report(y_true, y_pred, labels=[], target_names=None )
-
- y_true:真实目标值
- y_pred:估计器预测目标值
- labels:指定类别对应的数字
- target_names:目标类别名称
- return:每个类别精确率与召回率
ret = classification_report(y_test, y_predict)
print(ret)
ret = classification_report(y_test, y_predict, labels=(2,4), target_names=("良性", "恶性")) # 可指2为良性,4为恶行 后面两项labels和target_names是锦上添花,不写也是可以的
print(ret)
【support是样本的数量】
假设这样一个情况,如果99个样本癌症,1个样本非癌症,不管怎样我全都预测正例(默认癌症为正例),准确率就为99%但是这样效果并不好,这就是样本不均衡下的评估问题
问题:如何衡量样本不均衡下的评估?
2 ROC曲线与AUC指标 【不平衡二分类问题的评估方法】
2.1 TPR与FPR
- TPR = TP / (TP + FN)
- 所有真实类别为1的样本中,预测类别为1的比例
- FPR = FP / (FP + TN)
- 所有真实类别为0的样本中,预测类别为1的比例
2.2 ROC曲线 【通过TPR和FPR来进行图形绘制,然后绘制之后,形成一个指标AUC】
- ROC曲线的横轴就是FPRate,纵轴就是TPRate,当二者相等时,表示的意义则是:对于不论真实类别是1还是0的样本,分类器预测为1的概率是相等的,此时AUC为0.5
2.3 AUC指标
- AUC的概率意义是随机取一对正负样本,正样本得分大于负样本的概率
- AUC的最小值为0.5,最大值为1,取值越高越好
- AUC=1,完美分类器,采用这个预测模型时,不管设定什么阈值都能得出完美预测。绝大多数预测的场合,不存在完美分类器。
- 0.5<AUC<1,优于随机猜测。这个分类器(模型)妥善设定阈值的话,能有预测价值。
- [注意:这个指标主要用于评价不平衡二分类问题]
最终AUC的范围在[0.5, 1]之间,并且越接近1越好
2.4 AUC计算API
- from sklearn.metrics import roc_auc_score
- sklearn.metrics.roc_auc_score(y_true, y_score)
- 计算ROC曲线面积,即AUC值
- y_true:每个样本的真实类别,必须为0(反例),1(正例)标记
- y_score:预测得分,可以是正类的估计概率、置信值或者分类器方法的返回值
- sklearn.metrics.roc_auc_score(y_true, y_score)
# 0.5~1之间,越接近于1约好
y_test = np.where(y_test > 2.5, 1, 0) # 要把正例转换为1,反例转换为0
print("AUC指标:", roc_auc_score(y_test, y_predict)
运行结果:
3 总结
- AUC只能用来评价二分类 [多分裂不能用]
- AUC非常适合评价样本不平衡中的分类器性能