逻辑回归及常用模型分类评估方法

1.分类评估方法

【准确率：预测正确的数占样本总数的比例。（TP+TN）/（TP+TN+FP+FN）】

1.1 精确率与召回率

1.1.1 混淆矩阵

在分类任务下，预测结果(Predicted Condition)与正确标记(True Condition)之间存在四种不同的组合，构成混淆矩阵(适用于多分类)

1.1.2 精确率(Precision)与召回率(Recall)

精确率：预测结果为正例样本中真实为正例的比例【查的准不准】【预测100个人得病，其实真正得病的有90人 TP/（TP+FP）】

召回率：真实为正例的样本中预测结果为正例的比例（查得全，对正样本的区分能力）【查的全不全】【真正有100个人得病，其实真正预测得病的有90人 TP/（TP+FN）】

1.2 F1-score

还有其他的评估标准，F1-score，反映了模型的稳健型【即评估效果】

【结果越解近1，模型的稳健性越强】

1.3 分类评估报告api

sklearn.metrics.classification_report(y_true, y_pred, labels=[], target_names=None )
- y_true：真实目标值
- y_pred：估计器预测目标值
- labels:指定类别对应的数字
- target_names：目标类别名称
- return：每个类别精确率与召回率

ret = classification_report(y_test, y_predict)
print(ret)

ret = classification_report(y_test, y_predict, labels=(2,4), target_names=("良性", "恶性"))  #  可指2为良性，4为恶行  后面两项labels和target_names是锦上添花，不写也是可以的
print(ret)

【support是样本的数量】

假设这样一个情况，如果99个样本癌症，1个样本非癌症，不管怎样我全都预测正例(默认癌症为正例),准确率就为99%但是这样效果并不好，这就是样本不均衡下的评估问题

问题：如何衡量样本不均衡下的评估？

2 ROC曲线与AUC指标【不平衡二分类问题的评估方法】

2.1 TPR与FPR

TPR = TP / (TP + FN)
- 所有真实类别为1的样本中，预测类别为1的比例
FPR = FP / (FP + TN)
- 所有真实类别为0的样本中，预测类别为1的比例

2.2 ROC曲线【通过TPR和FPR来进行图形绘制，然后绘制之后，形成一个指标AUC】

ROC曲线的横轴就是FPRate，纵轴就是TPRate，当二者相等时，表示的意义则是：对于不论真实类别是1还是0的样本，分类器预测为1的概率是相等的，此时AUC为0.5

2.3 AUC指标

AUC的概率意义是随机取一对正负样本，正样本得分大于负样本的概率
AUC的最小值为0.5，最大值为1，取值越高越好
AUC=1，完美分类器，采用这个预测模型时，不管设定什么阈值都能得出完美预测。绝大多数预测的场合，不存在完美分类器。
0.5<AUC<1，优于随机猜测。这个分类器（模型）妥善设定阈值的话，能有预测价值。
[注意:这个指标主要用于评价不平衡二分类问题]

最终AUC的范围在[0.5, 1]之间，并且越接近1越好

2.4 AUC计算API

from sklearn.metrics import roc_auc_score
- sklearn.metrics.roc_auc_score(y_true, y_score)
  - 计算ROC曲线面积，即AUC值
  - y_true：每个样本的真实类别，必须为0(反例),1(正例)标记
  - y_score：预测得分，可以是正类的估计概率、置信值或者分类器方法的返回值

# 0.5~1之间，越接近于1约好
y_test = np.where(y_test > 2.5, 1, 0)   #  要把正例转换为1,反例转换为0print("AUC指标：", roc_auc_score(y_test, y_predict)

运行结果:

3 总结

AUC只能用来评价二分类 [多分裂不能用]
AUC非常适合评价样本不平衡中的分类器性能

逻辑回归及常用模型分类评估方法相关推荐

R语言VaR市场风险计算方法与回测、用LOGIT逻辑回归、PROBIT模型信用风险与分类模型...
全文链接:http://tecdat.cn/?p=27530 市场风险指的是由金融市场中资产的价格下跌或价格波动增加所导致的可能损失. 相关视频市场风险包含两种类型:相对风险和绝对风险.绝对风险关 ...
用逻辑回归实现鸢尾花数据集分类（1）
鸢尾花数据集的分类问题指导 -- 对数几率回归(逻辑回归)问题研究 (1) 这一篇Notebook是应用对数几率回归(Logit Regression)对鸢尾花数据集进行品种分类的.首先会带大家探索一 ...
基于逻辑回归的新闻数据集分类
目录 1. 作者介绍 2. 逻辑回归 2.1 逻辑回归 2.2 逻辑回归算法 3. 实验过程 3.1 fetch_20newsgroups(20类新闻文本)数据集的简介 3.2 实验代码 3.3 运行 ...
实例：【基于逻辑回归的鸢尾花二分类和三分类问题】
基于逻辑回归的鸢尾花二分类和三分类问题一.问题描述及数据集获取二.逻辑回归 1.概述 2.应用 3. LogisticRegression回归算法 4. sklearn逻辑回归API 三.代码实现 ...
大白话5分钟带你走进人工智能-第二十节逻辑回归和Softmax多分类问题(5)
大白话5分钟带你走进人工智能-第二十节逻辑回归和Softmax多分类问题(5) 上一节中,我们讲 ...
python逻辑回归模型建模步骤_Python逻辑回归——建模-评估模型
学完线性回归,逻辑回归建模+评估模型的过程就相对好理解很多.其实就是换汤不换药. 逻辑回归不是回归算法,而是分类算法,准确来说,叫逻辑分类逻辑分类本质上是二分分类,即分类结果标签只有两个逻辑回归建 ...
逻辑回归（LR实则分类）的损失函数
原文链接:https://blog.csdn.net/CTTACM/article/details/91472794 逻辑回归是在线性函数的基础上,经过激活函数后产生的0~1之间的概率值. 设x为特征 ...
R语言VaR市场风险计算方法与回测、用Logit逻辑回归、Probit模型信用风险与分类模型
最近我们被客户要求撰写关于信用风险与分类的研究报告,包括一些图形和统计输出. 市场风险指的是由金融市场中资产的价格下跌或价格波动增加所导致的可能损失. 市场风险包含两种类型:相对风险和绝对风险.绝对风 ...
逻辑回归Logistic Regression 模型简介
逻辑回归(Logistic Regression)是机器学习中的一种分类模型,由于算法的简单和高效,在实际中应用非常广泛.本文作为美团机器学习InAction系列中的一篇,主要关注逻辑回归算法的数学模 ...

逻辑回归及常用模型分类评估方法

1.分类评估方法

1.1 精确率与召回率

1.2 F1-score

【结果越解近1，模型的稳健性越强】

1.3 分类评估报告api

2 ROC曲线与AUC指标【不平衡二分类问题的评估方法】

2.1 TPR与FPR

2.2 ROC曲线【通过TPR和FPR来进行图形绘制，然后绘制之后，形成一个指标AUC】

2.3 AUC指标

2.4 AUC计算API

3 总结

逻辑回归及常用模型分类评估方法相关推荐

最新文章

热门文章

逻辑回归及常用模型分类评估方法

1.分类评估方法

1.1 精确率与召回率

1.2 F1-score

【结果越解近1，模型的稳健性越强】

1.3 分类评估报告api

2 ROC曲线与AUC指标 【不平衡二分类问题的评估方法】

2.1 TPR与FPR

2.2 ROC曲线 【通过TPR和FPR来进行图形绘制，然后绘制之后，形成一个指标AUC】

2.3 AUC指标

2.4 AUC计算API

3 总结

逻辑回归及常用模型分类评估方法相关推荐

最新文章

热门文章

2 ROC曲线与AUC指标【不平衡二分类问题的评估方法】

2.2 ROC曲线【通过TPR和FPR来进行图形绘制，然后绘制之后，形成一个指标AUC】