sklearn评估指标Classification metrics常用指标详解及小坑

计算评估指标需要用到预测结果和真实标签，首先说一下获得预测结果的model.predict()和model.predict_proba()的区别：

model.predict()：得到的是预测的类别。如果是二分类，就是0或1.
model.predict_proba()：得到的是预测类别的概率，是一个多维数组。如果是二分类，则第一列表示预测为0的概率，第二列表示预测为1的类别。如果你想获得预测为1的概率就直接取第2列：y_score = model.predict_proba(x_test)[:, 1]

下边开始讲解计算指标容易掉的坑

混淆矩阵

from sklearn.metrics import confusion_matrix
metrics_out=confusion_matrix(y_true, y_pred)  # 可以指定label

注意：y_true为真实类别，y_pred为预测的类别

accuracy、precision、recall

from sklearn.metrics import accuracy_score,precision_score,recall_score
acc = accuracy_score(y_true, y_pred)
pre = precision_score(y_true, y_pred, average='macro')
recall = recall_score(y_true, y_pred, average='macro')
# average可以自己指定：‘micro’, ‘macro’, ‘samples’, ‘weighted’, ‘binary’，默认default=’binary’

注意：y_true为真实类别，y_pred为预测的类别

roc曲线

from sklearn.metrics import roc_curve
fpr, tpr, thresholds = roc_curve(y_true, y_scores)
plt.figure()
plt.plot([0, 1], [0, 1], 'k--')
plt.plot(fpr, tpr, label='Roc(AUC = {0:.3F})'.format(AUC), lw=2)
plt.xlabel('False positive rate')
plt.ylabel('True positive rate')
plt.title('ROC curve')
plt.legend(loc='best')
plt.show()

注意：y_true为真实类别，y_scores为预测的概率

可以使用roc_auc_score()与auc()两种方式：
roc_auc_score()方式：

from sklearn.metrics import roc_auc_score
AUC = roc_auc_score(y_test, y_score_mean)

注意：roc_auc_score适用于二分类。y_test为真实类别，y_score_mean为预测的概率

auc()方式：由于auc()的输入为假阳性率fpr和真阳性率tpr，所以需要首先通过混淆矩阵计算出这两个值

from sklearn.metrics import roc_curve, auc
fpr, tpr, thresholds = roc_curve(y_true, y_scores)
AUC = auc(fpr, tpr)

注意：y_true为真实类别，y_scores为预测的概率

Sensitivity敏感度、Specificity特异性

对于二分类：

Sensitivity = TP/(TP+FN)，衡量所有真实为正例的样本中有多少被预测为正例。
Specificity = TN/(FP+TN)，衡量所有真实为负例的样本中有多少被预测为负例。

from sklearn.metrics import confusion_matrix
metrics_out=confusion_matrix(y_true, y_pred)
Sensitivity = metrics_out[0][0] / (metrics_out[0][0] + metrics_out[0][1])
Specificity = metrics_out[1][1] / (metrics_out[1][0] + metrics_out[1][1])

Sensitivity=recall。

sklearn评估指标Classification metrics常用指标详解及小坑相关推荐

python对输入的字符串进行解析_python数据类型_字符串常用操作(详解)
这次主要介绍字符串常用操作方法及例子 1.python字符串在python中声明一个字符串,通常有三种方法:在它的两边加上单引号.双引号或者三引号,如下: name = 'hello' name1 ...
python加密字符串小写字母循环后错两位_python数据类型_字符串常用操作(详解)
这次主要介绍字符串常用操作方法及例子 1.python字符串在python中声明一个字符串,通常有三种方法:在它的两边加上单引号.双引号或者三引号,如下: name = 'hello' name1 ...
c语言 append,对C++ string append方法的常用用法详解
C++ string append()添加文本使用append()添加文本常用方法: 直接添加另一个完整的字符串: 如str1.append(str2); 添加另一个字符串的某一段子串: 如str1 ...
回归分析评估指标均方对数误差(MSLE)详解及其意义：Mean Squared Log Error
回归分析评估指标均方对数误差(MSLE)详解及其意义:Mean Squared Log Error 目录回归分析评估指标均方对数误差(MSLE)详解及其意义:Mean Squared Log Err ...
1. 批处理常用符号详解：
1. 批处理常用符号详解: -------------------------------------------- 1.@ 一般在它之后紧跟一条命令或一条语句,则此命令或语句本身在执行的时候不会显示 ...
手把手教你Nginx常用模块详解之ngx_http_rewrite_module(十)
本专栏非常感谢大家得关注和支持,本人开源项目站点https://erosbt.com 将自己热爱与信仰的技术,持续不辍地传递. Nginx专栏手把手教你Nginx常用模块详解之ngx_http_ac ...
docker常用命令详解
docker常用命令详解本文只记录docker命令在大部分情境下的使用,如果想了解每一个选项的细节,请参考官方文档,这里只作为自己以后的备忘记录下来. 根据自己的理解,总的来说分为以下几种: Doc ...
Samtools（CentOS Linux）安装及常用命令详解
序列比对(将测序reads与已知序列信息的基因或基因组进行比对)是高通量测序数据分析中最重要的一环,无论是转录组还是重测序都是基于比对结果来进行后续各项分析的,比对结果格式比较常见的是sam和bam文 ...
router linux命令,router os 常用命令详解
router os 常用命令详解发布时间:2006-04-20 01:17:30来源:红联作者:[Hl.y] 看了很多router os 的资料都是关于如何安装的,却很少见到关于router os的 ...

sklearn评估指标Classification metrics常用指标详解及小坑

sklearn评估指标Classification metrics常用指标详解及小坑

sklearn评估指标Classification metrics常用指标详解及小坑相关推荐

最新文章

热门文章