python计算AUC、Accuracy、Recall、Precision和PPV

import numpy as np
import cv2
import seaborn as sns
import matplotlib.pyplot as plt
# 也可以直接采用这个进行计算
from sklearn.metrics import confusion_matrix, accuracy_score, f1_score, roc_auc_score, recall_score, precision_score
# 加载confusion图,并显示对应的图像表示混淆矩阵的信息
img = cv2.imread("confusion_figure.jpg")
plt.imshow(img)def calculate_metrics(gt, pred):""":param gt: 数据的真实标签，一般对应二分类的整数形式，例如:y=[1,0,1,0,1]:param pred: 输入数据的预测值，因为计算混淆矩阵的时候，内容必须是整数，所以对于float的值，应该先调整为整数:return: 返回相应的评估指标的值""""""confusion_matrix(y_true,y_pred,labels,sample_weight,normalize)y_true:真实标签；y_pred:预测概率转化为标签；labels:用于标签重新排序或选择标签子集；sample_weight:样本权重；normalize:在真实（行）、预测（列）条件或所有总体上标准化混淆矩阵；"""print("starting!!!-----------------------------------------------")sns.set()fig, (ax1, ax2) = plt.subplots(figsize=(10, 8), nrows=2)confusion = confusion_matrix(gt, pred)# 打印具体的混淆矩阵的每个部分的值print(confusion)# 从左到右依次表示TN、FP、FN、TPprint(confusion.ravel())# 绘制混淆矩阵的图sns.heatmap(confusion,annot=True)ax2.set_title('sns_heatmap_confusion_matrix')ax2.set_xlabel('y_pred')ax2.set_ylabel('y_true')fig.savefig('sns_heatmap_confusion_matrix.jpg', bbox_inches='tight')# 混淆矩阵的每个值的表示TP = confusion[1, 1]TN = confusion[0, 0]FP = confusion[0, 1]FN = confusion[1, 0]# 通过混淆矩阵计算每个评估指标的值print('AUC:',roc_auc_score(gt, pred))print('Accuracy:', (TP + TN) / float(TP + TN + FP + FN))print('Sensitivity:', TP / float(TP + FN))print('Specificity:', TN / float(TN + FP))print('PPV:',TP / float(TP + FP))print('Recall:',TP / float(TP + FN))print('Precision:',TP / float(TP + FP))# 用于计算F1-score = 2*recall*precision/recall+precision,这个情况是比较多的P = TP / float(TP + FP)R = TP / float(TP + FN)print('F1-score:',(2*P*R)/(P+R))print('True Positive Rate:',round(TP / float(TP + FN)))print('False Positive Rate:',FP / float(FP + TN))print('Ending!!!------------------------------------------------------')# 采用sklearn提供的函数验证,用于对比混淆矩阵方法与这个方法的区别print("the result of sklearn package")auc = roc_auc_score(gt,pred)print("sklearn auc:",auc)accuracy = accuracy_score(gt,pred)print("sklearn accuracy:",accuracy)recal = recall_score(gt,pred)precision = precision_score(gt,pred)print("sklearn recall:{},precision:{}".format(recal,precision))print("sklearn F1-score:{}".format((2*recal*precision)/(recal+precision)))# 输入真实的样本和对应的标签
y = [1,0,1,1,0]
pred = [0,1,1,0,0]
# 实例化
calculate_metrics(y, pred)

python计算AUC、Accuracy、Recall、Precision和PPV相关推荐

python计算auc的代码_python是怎么计算auc指标的？
1.安装scikit-learn 1.1Scikit-learn 依赖Python (>= 2.6 or >= 3.3), NumPy (>= 1.6.1), SciPy (> ...
python计算AUC值
AUC简介 AUC(Area Under Curve)被定义为ROC曲线下与坐标轴围成的面积,显然这个面积的数值不会大于1.AUC被广泛应用在多标签分类中衡量分类结果.尤其是样本分布不均时,一般采用A ...
python计算auc值_Python计算AUC
AUC(Area under curve)是机器学习常用的二分类评测手段,直接含义是ROC曲线下的面积.另一种解释是:随机抽出一对样本(一个正样本,一个负样本),然后用训练得到的分类器来对这两个样本进 ...
机器学习中的评价指标(分类指标评Accuracy、Precision、Recall、F1-score、ROC、AUC ）（回归指标评价MSE、RMSE、MAE、MAPE、R Squared）
文章目录 1.机器学习中的评价指标基础 (一)分类指标评价 1.Accuracy 2.Precision.查准率 3.Recall.查全率 4.F1-score 举个例子: 5.ROC 6.AUC ...
机器学习11. ROC曲线、AUC值、Accuracy、Precision、Recall 含义
AUC/ROC,Accuracy,Precision,Recall 含义.查准率,查全率,样本均衡问题部分图片转自这里行的True和False表示预测为正负列的Pos和Neg表示真实的正负表哥 ...
Spark - AUC、Accuracy、Precision、Recall、F1-Score 理论与实战
一.引言推荐场景下需要使用上述指标评估离.在线模型效果,下面对各个指标做简单说明并通过 spark 程序全部搞定. 二.指标含义 1.TP.TN.FP.FN 搜广推场景下最常见的就是 Ctr 2 分 ...
R语言构建混淆矩阵(仿真数据)并基于混淆矩阵（confusion matrix）计算并计算Accuracy、Precision、Recall（sensitivity）、F1、Specificity指标
R语言构建混淆矩阵(仿真数据)并基于混淆矩阵(confusion matrix)计算并计算Accuracy.Precision.Recall(sensitivity).F1.Specificity指标 ...
机器学习分类模型评价指标之Accuracy、Precision、Recall、F-Score、P-R Curve、AUC、AP 和 mAP
前文:https://www.cnblogs.com/odesey/p/16902836.html 介绍了混淆矩阵.本文旨在说明其他机器学习模型的评价指标. 1. 准确率(Accuracy-Acc) ...
python计算precision@k、recall@k和f1_score@k
sklearn.metrics中的评估函数只能对同一样本的单个预测结果进行评估,如下所示: from sklearn.metrics import classification_reporty_tru ...

python计算AUC、Accuracy、Recall、Precision和PPV

python计算AUC、Accuracy、Recall、Precision和PPV相关推荐

最新文章

热门文章