一、基础理论

1、混淆矩阵

预测结果与正确标记之间存在四种不同的组合：

2、精确率

精确率：预测结果为正例样本中真实为正例的比例。

3、召回率

召回率：真实为正例样本中，预测结果为正例的比例。（真实为癌症能够被检测出来的概率）

（重要，检测查的全不全）

4、F1-score

反映模型的稳健性。

二、查看癌症预测结果的精确率、召回率

API

sklearn.metrics.classification_report

查看癌症预测结果的精确率、召回率

# 查看精确率、召回率、F1-score
report = classification_report(test_target, predict, target_names=['良性', '恶性'])
print(report)

总代码

# 逻辑回归：癌症分类
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import classification_report# 1、读取数据
column_name=['Sample code number','Clump Thickness','Uniformity of Cell Size','Uniformity of Cell Shape','Marginal Adhesion','Single Epithelial Cell Size','Bare Nuclei','Bland Chromatin','Normal Nucleoli','Mitoses','Class']pd.set_option('display.max_columns',1000)        # 设置最大列数
pd.set_option('display.max_rows',1000)           # 设置最大行数data=pd.read_csv('breast-cancer-wisconsin.data', names=column_name)
# print(data)# 2、缺失数据处理
data = data.replace(to_replace='?', value = np.nan)
data.dropna(inplace=True)# 3、划分数据集
train = data.iloc[:, 1:-1]
target = data['Class']
train_data, test_data, train_target, test_target = train_test_split(train, target)
# print(train_data)# 4、标准化（对训练集和测试集标准化）
transfer = StandardScaler()
train_data = transfer.fit_transform(train_data)
test_data = transfer.transform(test_data)
# print(train_data)# 5、创建逻辑回归预估器，训练
estimator = LogisticRegression()
estimator.fit(train_data, train_target)
# print(train_data)# 查看模型参数：回归系数 和 偏置
print('回归系数：', estimator.coef_)
print('偏置：', estimator.intercept_)# 6、模型评估
# 方法一：比对
predict = estimator.predict(test_data)
print(predict==test_target)
# 方法二：计算正确率
score = estimator.score(test_data, test_target)
print('逻辑回归分类正确率为：', score)# 查看精确率、召回率、F1-score
report = classification_report(test_target, predict, target_names=['良性', '恶性'])
print(report)

机器学习（15）精确率召回率F1-score（查看癌症预测结果的精确率、召回率）相关推荐

sklearn计算准确率、精确率、召回率、F1 score
目录混淆矩阵准确率精确率召回率 P-R曲线 F1 score 参考资料分类是机器学习中比较常见的任务,对于分类任务常见的评价指标有准确率(Accuracy).精确率(Precision).召 ...
F1 score的意义
F1 score是一个平均数:对精确率与召回率进行平均的一个结果: 平均算法有四个,如图所示: 调和平均数:Hn=n/(1/a1+1/a2+...+1/an) 几何平均数:Gn=(a1a2...an) ...
『NLP学习笔记』Sklearn计算准确率、精确率、召回率及F1 Score
Sklearn计算准确率.精确率.召回率及F1 Score! 文章目录一. 混淆矩阵 1.1. 混淆矩阵定义 1.2. 例子演示二. 准确率 2.1. 准确率定义 2.2. 例子演示三. 精确率 ...
分类指标：准确率、精确率、召回率、F1 score以及ROC、AUC、宏平均、加权平均
本文将介绍: 混淆矩阵(Confusion Matrix) 准确率(accuracy) 召回率(recall) 精确率(precision) F1score ROC和AUC 宏平均(macro avg ...
机器学习中精准度、召回率、准确率、F1 Score、G分数计算学习笔记
目录 1.基本符号表示 2.类别下的精准度计算(precision) 3.类别下的召回率计算(recall) 4.准确率的计算(accuracy) 5.F1 Score 6.G分数 1.基本符号表示 ...
F1 Score详解查准率较高召回率较低怎末处理？
[机器学习]F1分数(F1 Score)详解及tensorflow.numpy实现_zjn-ai的博客-CSDN博客_f1分数西瓜好坏二分类:模型预测出来:A分为好西瓜类(A中有好的有坏的) B分为 ...
详解准确率acc、精确率p、准确率acc、F1 score
准确率 Accuracy: 模型预测正确的比例:总样本中预测对的概率:所有样本中实际是正例的占比:正确预测的样本数与总样本数之比. 准确率 =(真正例+真负例)/(真正例+真负例+假正例+假负例). ...
混淆矩阵与精确度、召回率、F1 Score
1.计算公式从混淆矩阵计算精确度.召回率.F1 Score的过程如下图所示,其中P和R即Precision和Recall: 2.验证实验如下图为Azure ML自带的一个示例给出的模型评分结果:原 ...
精确率(Precision)、召回率(Recall)与F1值
衡量二分类器的评价指标除了准确率(Accuracy)外,还有精确率(Precision).召回率(Recall).F1 值等. 精确率是针对我们预测结果而言的,它表示的是预测为正的样本中有多少是真正的 ...

机器学习（15）精确率召回率F1-score（查看癌症预测结果的精确率、召回率）

一、基础理论

1、混淆矩阵

2、精确率

3、召回率

4、F1-score

二、查看癌症预测结果的精确率、召回率

API

查看癌症预测结果的精确率、召回率

总代码

机器学习（15）精确率召回率F1-score（查看癌症预测结果的精确率、召回率）相关推荐

最新文章

热门文章