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 = digits.data
y = digits.target.copy()

使数据偏斜

y[digits.target == 9] = 1
y[digits.target != 9] = 0

from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test = train_test_split(X,y,random_state=666)

from sklearn.linear_model import LogisticRegression
log_reg = LogisticRegression()
log_reg.fit(X_train,y_train)
log_reg.score(X_test,y_test)
y_log_predict = log_reg.predict(X_test)

def TN(y_true,y_predict):assert len(y_true) == len(y_test)return np.sum((y_true == 0) & (y_predict == 0))
TN(y_test,y_log_predict)

def FN(y_true,y_predict):assert len(y_true) == len(y_test)return np.sum((y_true == 1) & (y_predict == 0))
FN(y_test,y_log_predict)

def FP(y_true,y_predict):assert len(y_true) == len(y_test)return np.sum((y_true == 0) & (y_predict == 1))
FP(y_test,y_log_predict)

def TP(y_true,y_predict):assert len(y_true) == len(y_test)return np.sum((y_true == 1) & (y_predict == 1))
TP(y_test,y_log_predict)

混淆矩阵

def confusion_matrix(y_true,y_predict):return np.array([[TN(y_true,y_predict),FP(y_true,y_predict)],[FN(y_true,y_predict),TP(y_true,y_predict)]])
confusion_matrix(y_test,y_log_predict)

array([[403,   2],[  9,  36]])

精准率

def precision_score(y_true,y_predict):tp = TP(y_true,y_predict)fp = FP(y_true,y_predict)try:return tp / (tp + fp)except:return 0.0
precision_score(y_test,y_log_predict)

0.9473684210526315

召回率

def recall_score(y_true,y_predict):tp = TP(y_true,y_predict)fn = FN(y_true,y_predict)try:return tp / (tp + fn)except:return 0.0
recall_score(y_test,y_log_predict)

0.8

scikit-learn中的混淆矩阵，精准率和召回率

#scikit-learn中的混淆矩阵，精准率和召回率
from sklearn.metrics import confusion_matrix
confusion_matrix(y_test,y_log_predict)

array([[403,   2],[  9,  36]], dtype=int64)

from sklearn.metrics import recall_score
from sklearn.metrics import precision_score
recall_score(y_test,y_log_predict)

0.8

precision_score(y_test,y_log_predict)

0.9473684210526315

Python机器学习：评价分类结果003实现混淆矩阵，精准率和召回率相关推荐

【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, ...
混淆矩阵、准确率、召回率、ROC曲线、AUC
混淆矩阵.准确率.召回率.ROC曲线.AUC 假设有一个用来对猫(cats).狗(dogs).兔子(rabbits)进行分类的系统,混淆矩阵就是为了进一步分析性能而对该算法测试结果做出的总结.假设总共 ...
分类器MNIST交叉验证准确率、混淆矩阵、精度和召回率（PR曲线）、ROC曲线、多类别分类器、多标签分类、多输出分类
本博客是在Jupyter Notebook下进行的编译. 目录 MNIST 训练一个二分类器使用交叉验证测量精度混淆矩阵精度和召回率精度/召回率权衡 ROC曲线多类别分类器错误分析多标签 ...
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 ...
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 ...
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分类预测降低准确率_【火炉炼AI】机器学习011-分类模型的评估：准确率，精确率，召回率，F1值...
[火炉炼AI]机器学习011-分类模型的评估:准确率,精确率,召回率,F1值 (本文所使用的Python库和版本号: Python 3.5, Numpy 1.14, scikit-learn 0.19 ...
详细讲解分类模型评价指标（混淆矩阵）python示例
前言 1.回归模型(regression): 对于回归模型的评估方法,通常会采用平均绝对误差(MAE).均方误差(MSE).平均绝对百分比误差(MAPE)等方法. 2.聚类模型(clustering) ...
机器学习-------评价分类结果
准确度的陷阱和混淆矩阵和精准率召回率准确度的陷阱准确度并不是越高说明模型越好,或者说准确度高不代表模型好,比如对于极度偏斜(skewed data)的数据,假如我们的模型只能显示一个结果A,但是1 ...

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

scikit-learn中的混淆矩阵，精准率和召回率

Python机器学习：评价分类结果003实现混淆矩阵，精准率和召回率相关推荐

最新文章

热门文章