第一部分:场景引入
我们以做核酸为例:
那么如何用数学来准确描述上述的这四种检测情况呢?
True Positive (TP):代表True正确预测Positive正样本
False Positive (FP):代表False错误预测Positive正样本
False Negative (FN):代表False预测Negative负样本
True Negative (TN):代表True正确Negative负样本
第二部分:正确率,精确率,召回率,F1分数
(1)正确率
这里的T=TP+TN
F=FP+FN
反映的是“模型的准确程度”
(2)精确率
衡量的是一种“错检程度”
(3)召回率
衡量的是一种“漏检程度”
(4)F1分数
F1分数是整合精确率和召回率:
这里不用算术平均值的原因是:如果一个很大,那么另一个就基本上会不起作用。
就好比你的钱和马云的前,加在一起除以2,最终也反应不了你自己的真实水平,因此我们取倒数,也就叫做“调和平均数”。
这个计算公式也非常类似于初中计算并联电阻的情况:
第三部分:代码实现(以鸢尾花数据集和knn二分类为例)
(1)导包
#第一部分:导包
import numpy as np
from sklearn import datasets
(2)创建数据集
#第二部分:加载数据集
iris=datasets.load_iris()
X=iris.data
y=iris.target
(3)分割数据集
#第三部分:分割数据集
#为了简化问题,我们将其转化为二分类问题
y[y!=0]=1
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
X_train,X_test,y_train,y_test=train_test_split(X,y,random_state=666)
(4)训练模型
#第四部分:训练模型
logreg=LogisticRegression()
logreg.fit(X_train,y_train)
y_pred=logreg.predict(X_test)
(5)输出混淆矩阵和四种评价指标
#第五部分:使用混淆矩阵评价模型
from sklearn.metrics import confusion_matrix
print("混淆矩阵为:",confusion_matrix(y_test,y_pred))
#分别代表:
#TN,FP
#FN,TP
# 导入评价指标相关包
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("准确率为:", accuracy)
# 计算精确率
precision = precision_score(y_test, y_pred)
print("精确率为:", precision)
# 计算召回率
recall = recall_score(y_test, y_pred)
print("召回率为:", recall)
# 计算 F1 分数
f1 = f1_score(y_test, y_pred)
print("F1 分数为:", f1)
(6)完整pycharm代码
#第一部分:导包
import numpy as np
from sklearn import datasets
#第二部分:加载数据集
iris=datasets.load_iris()
X=iris.data
y=iris.target
#第三部分:分割数据集
#为了简化问题,我们将其转化为二分类问题
y[y!=0]=1
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
X_train,X_test,y_train,y_test=train_test_split(X,y,random_state=666)
#第四部分:训练模型
logreg=LogisticRegression()
logreg.fit(X_train,y_train)
y_pred=logreg.predict(X_test)
#第五部分:使用混淆矩阵评价模型
from sklearn.metrics import confusion_matrix
print("混淆矩阵为:",confusion_matrix(y_test,y_pred))
#分别代表:
#TN,FP
#FN,TP
# 导入评价指标相关包
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("准确率为:", accuracy)
# 计算精确率
precision = precision_score(y_test, y_pred)
print("精确率为:", precision)
# 计算召回率
recall = recall_score(y_test, y_pred)
print("召回率为:", recall)
# 计算 F1 分数
f1 = f1_score(y_test, y_pred)
print("F1 分数为:", f1)