混淆矩阵

混淆矩阵（Confusion Matrix）：将分类问题按照真实情况与判别情况两个维度进行归类的一个矩阵，如在二分类问题中就是一个2*2的矩阵：

TP（True Positive）:表示实际为真预测为真
FP（False Positive）:表示实际为假预测为真 (漏报)
TN（True Negative）:表示实际为真预测为真
FN（False Negative）:表示实际为假预测为假 (误报)

召回率与准确率

召回率 = TP/(TP+FN)
准确率 = TP/(TP+FP)

一个池塘有10条鱼和20只小龙虾，渔夫打鱼，捞上8条鱼和12只龙虾，那么召回率为8/10=80%,准确率为8/(8+12)=40% —《Web安全之强化学习与GAN》

准确度Accuracy

准确度Acc是对检测结果的均衡评价，是全体预测正确按整个样本的比例：
准确度=TP+TNTP+TN+FP+FN准确度 = \frac{TP+TN}{TP+TN+FP+FN} 准确度=TP+TN+FP+FNTP+TN

sklearn代码示例

pip install scikit-learn==0.24.2

from sklearn import metrics # sklearn==0.24.2
import numpy as nptest_Y =    np.array([0,0,1,0,0,1,0,1,1,0]) # 测试集的标签
predict_Y = np.array([1,0,1,0,0,0,0,1,0,0]) # 预测值confusion_matrix = metrics.confusion_matrix(test_Y,predict_Y)       # 混淆矩阵（注意与上面示例的混淆矩阵的图位置并不一一对应）
tn, fp, fn, tp = metrics.confusion_matrix(test_Y,predict_Y).ravel() # 混淆矩阵各值
recall_score = metrics.recall_score(test_Y,predict_Y)               # 召回率
pre_score = metrics.precision_score(test_Y,predict_Y)               # 准确率
ACC = metrics.accuracy_score(test_Y,predict_Y)                      # 准确度ACCprint(confusion_matrix)
print(tn, fp, fn, tp)
print(recall_score)
print(pre_score)
print(ACC)

[[5 1][2 2]]
5 1 2 2
0.5
0.6666666666666666
0.7

【机器学习】二分类问题中的混淆矩阵、准确率、召回率等 (Python代码实现)相关推荐

Python机器学习：评价分类结果008多分类问题中的混淆矩阵
多分类问题中的混淆矩阵 #十分类问题 import matplotlib.pyplot as plt import numpy as np 数据 from sklearn import dataset ...
Python机器学习：评价分类结果003实现混淆矩阵，精准率和召回率
#实现混淆矩阵,精准率和召回率 import numpy as np from sklearn import datasets digits = datasets.load_digits() X = ...
分类算法的评价指标-混淆矩阵，精准率召回率，pr曲线，roc曲线等
文章目录前言一.混淆矩阵(confusion matrix)? 二.精准率和召回率 1.精准率 2.召回率 3.自己实现精准率和召回率以及混淆矩阵 4.sklearn中的精准率召回率以及混淆矩阵 ...
混淆矩阵、召回率、精确率、正确率、F1、真阳性率、假阳性率、ROC、AUC
ConfusionMatrix:Confusion Matrix:ConfusionMatrix: 真实 1 0 预测 1 TP(命中) FP(虚报) 0 FN(漏报) TN(正确拒绝) 召回率Rec ...
混淆矩阵正确率召回率 ROC曲线
混淆矩阵: 预测结果真实结果 +1 -1 +1 TP FN -1 FP TN TP:真阳 TN:真阴 FP:假阳 FN:假阴正确率/精准率(precision):TP/(TP+ ...
[机器学习] 二分类模型评估指标---精确率Precision、召回率Recall、ROC|AUC
一为什么要评估模型? 一句话,想找到最有效的模型.模型的应用是循环迭代的过程,只有通过持续调整和调优才能适应在线数据和业务目标. 选定模型时一开始都是假设数据的分布是一定的,然而数据的分布会随着时间 ...
机器学习——二分类、多分类的精确率和召回率
机器学习有很多评估的指标.有了这些指标我们就横向的比较哪些模型的表现更好.我们先从整体上来看看主流的评估指标都有哪些: 分类问题评估指标: 准确率 – Accuracy 精确率(差准率)- Preci ...
决策树分类评估指标之混淆矩阵
问题的提出如果决策树的目标是尽量捕获少数类,则准确率模型评估的意义不大,需要新的模型评估指标.简单来看,只需要查看模型在少数类上的准确率就好,只要能够将少数类尽量捕捉出来,就能够达到目的. 但是,新 ...
【机器学习】--模型评估指标之混淆矩阵，ROC曲线和AUC面积
一.前述怎么样对训练出来的模型进行评估是有一定指标的,本文就相关指标做一个总结. 二.具体 1.混淆矩阵混淆矩阵如图: 第一个参数true,false是指预测的正确性. 第二个参数true,p ...

【机器学习】二分类问题中的混淆矩阵、准确率、召回率等 (Python代码实现)

文章目录

混淆矩阵

召回率与准确率

准确度Accuracy

sklearn代码示例

【机器学习】二分类问题中的混淆矩阵、准确率、召回率等 (Python代码实现)相关推荐

最新文章

热门文章