6. 机器学习——精确率与召回率（笔记）

1. 分类模型的评估

• estimator.score()
• 一般最常见使用的是准确率，即预测结果正确的百分比

1.1 混淆矩阵

上面的不需要记，只要记住精确率和召回率。其中召回率考虑的比较多。

1.2 精确率(Precision)与召回率(Recall)

其他分类标准，F1-score，反映了模型的稳健型

2. 分类模型评估API

 sklearn.metrics.classification_report

代码演示

from sklearn.naive_bayes import MultinomialNB
from sklearn.datasets import fetch_20newsgroups
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics import classification_report

#获取数据
news = fetch_20newsgroups(subset='all')

#对数据进行分割
x_train, x_test, y_train, y_test = train_test_split(news.data,news.target,test_size=0.25)

#对数据集进行特征抽取
tf = TfidfVectorizer()

#以训练集当中的词的列表进行每篇文章重要性统计['a','b'.'c','d']
x_train = tf.fit_transform(x_train)

# print('获取特征的名字',tf.get_feature_names())

x_test = tf.transform(x_test)

#进行朴素贝叶斯算法的预测
mlt =MultinomialNB(alpha=1.0)

# print(x_train)

mlt.fit(x_train,y_train)

y_predict = mlt.predict(x_test)

print('预测文章的类别', y_predict)

#得出准确率
print('准确率为', mlt.score(x_test,y_test))

print('每个类别的精确率和召回率：',classification_report(y_test,y_predict,target_names=news.target_names))

结果：

预测文章的类别 [ 4  8  7 ... 12  3 11]
准确率为 0.8586587436332768
每个类别的精确率和召回率：                           precision    recall  f1-score   support

             alt.atheism       0.90      0.79      0.84       187
           comp.graphics       0.87      0.75      0.80       243
 comp.os.ms-windows.misc       0.87      0.84      0.86       244
comp.sys.ibm.pc.hardware       0.73      0.91      0.81       235
   comp.sys.mac.hardware       0.94      0.82      0.87       255
          comp.windows.x       0.94      0.83      0.88       266
            misc.forsale       0.94      0.70      0.80       241
               rec.autos       0.89      0.92      0.91       245
         rec.motorcycles       0.92      0.95      0.93       234
      rec.sport.baseball       0.94      0.95      0.95       258
        rec.sport.hockey       0.92      0.98      0.95       256
               sci.crypt       0.74      0.96      0.83       251
         sci.electronics       0.90      0.80      0.85       251
                 sci.med       0.96      0.90      0.93       235
               sci.space       0.93      0.96      0.95       266
  soc.religion.christian       0.66      0.97      0.79       277
      talk.politics.guns       0.72      0.96      0.82       220
   talk.politics.mideast       0.88      1.00      0.93       209
      talk.politics.misc       1.00      0.60      0.75       188
      talk.religion.misc       0.98      0.27      0.42       151

                accuracy                           0.86      4712
               macro avg       0.88      0.84      0.84      4712
            weighted avg       0.88      0.86      0.85      4712