python:使用sklearn 计算 precision、recall、F1 score(多分类)
目录
参考:
0. 评估指标
1. 使用sklearn计算accuracy(accuracy_score)、混淆矩阵(confusion_matrix)
2. 使用sklearn计算精确率precision、召回率recall、F1 score
参考:
https://blog.csdn.net/kan2281123066/article/details/103237273 代码:利用sklearn 计算 precision、recall、F1 score
https://blog.csdn.net/blythe0107/article/details/75003890 代码:sklearn的precision_score, recall_score, f1_score使用
https://blog.csdn.net/Urbanears/article/details/105033731 二分类和多分类问题下的评价指标详析(Precision, Recall, F1,Micro,Macro)
https://blog.csdn.net/wf592523813/article/details/95202448 二分类和多分类问题的评价指标总结
https://zhuanlan.zhihu.com/p/147663370 知乎:多分类模型Accuracy, Precision, Recall和F1-score的超级无敌深入探讨
https://zhuanlan.zhihu.com/p/59862986 知乎:详解sklearn的多分类模型评价指标
https://www.zhihu.com/question/51470349 知乎:对多分类数据的模型比较选择,应该参考什么指标?
0. 评估指标
- 精确度:precision,正确预测为正的,占全部预测为正的比例,TP / (TP+FP)
- 召回率:recall,正确预测为正的,占全部实际为正的比例,TP / (TP+FN)
- F1-score:精确率和召回率的调和平均数,2 * precision*recall / (precision+recall)
1. 使用sklearn计算accuracy(accuracy_score)、混淆矩阵(confusion_matrix)
举的这个例子,标签label为5类,是个多分类问题
- accuracy_score
- confusion_matrix
from sklearn.metrics import confusion_matrix
from sklearn.metrics import accuracy_score
from sklearn.metrics import precision_score, recall_score, f1_scoreactual = data3['label'] #真实的类别标签(data3是个dataframe,label是其中的一列)
predicted = data3['Label'] #预测的类别标签# 计算总的精度
acc = accuracy_score(actual, predicted)
print(acc)# 计算混淆矩阵
confusion_matrix(actual, predicted)'''
输出结果:0.8969907407407407
array([[1032, 1, 0, 0, 0],[ 3, 965, 17, 0, 15],[ 0, 10, 42, 0, 6],[ 0, 11, 3, 0, 0],[ 0, 98, 103, 0, 286]])
'''
2. 使用sklearn计算精确率precision、召回率recall、F1 score
- precision:precision_score https://scikit-learn.org/stable/modules/generated/sklearn.metrics.precision_score.html
- recall:recall_score https://scikit-learn.org/stable/modules/generated/sklearn.metrics.recall_score.html
- F1 score:f1_score https://scikit-learn.org/stable/modules/generated/sklearn.metrics.f1_score.html
参数average有5个选项:{‘micro’微平均, ‘macro’宏平均, ‘samples’, ‘weighted’, ‘binary’},默认是default=’binary’二分类
p = precision_score(actual, predicted, average='micro')
p2 = precision_score(actual, predicted, average='macro')
p3 = precision_score(actual, predicted, average='weighted')
#p4 = precision_score(actual, predicted, average='samples')r = recall_score(actual, predicted, average='micro')
r2 = recall_score(actual, predicted, average='macro')
r3 = recall_score(actual, predicted, average='weighted')f1score = f1_score(actual, predicted, average='micro')
f1score2 = f1_score(actual, predicted, average='macro')
f1score3 = f1_score(actual, predicted, average='weighted')
#f1score4 = f1_score(actual, predicted, average='samples')print(p,p2,p3)
print(r,r2,r3)
print(f1score,f1score2,f1score3)'''
输出结果:
0.8969907407407407 0.614528783337003 0.9212413779093402
0.8969907407407407 0.6550877741326565 0.8969907407407407
0.8969907407407407 0.6041619746930149 0.8986671343868164
'''
python:使用sklearn 计算 precision、recall、F1 score(多分类)相关推荐
- 算法模型评价详解:confusion matrix Accuracy Precision Recall F1 调和平均 加权F1 Micro-F1 Macro-F1 PRC ROC AUC
目录 问题定义 confusion matrix Accuracy Precision和Recall和PRC F1和调和平均 加权F1 Micro-F1和Macro-F1 ROC和AUC PRC对比R ...
- 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 ...
- python - sklearn 计算精准率(Precision)
python - sklearn 计算查准率 因为最近写的分类模型需要性能评价 ,常用的分类性能评价有 查准率.召回率.准确率.F1 分类问题的常用的包 sklearn ,下面对查准率所用的方法进行介 ...
- python - sklearn 计算准确率
python - sklearn 计算准确率 因为最近写的分类模型需要性能评价 ,常用的分类性能评价有 准确率.查准率.召回率.F1 分类问题的常用的包 sklearn ,下面对准确率所用的方法进行介 ...
- 信息检索的评价指标(Precision, Recall, F-score, MAP)
转载自: 信息检索的评价指标(Precision, Recall, F-score, MAP) - 小村长技术blog - 博客频道 - CSDN.NET http://blog.csdn.net/l ...
- 使用python和sklearn的中文文本多分类实战开发
文本分类一般可以分为二分类.多分类.多标签分类三种情况,二分类是指将一组文本分成两个类(0或1),比较常见的应用如垃圾邮件分类.电商网站的用户评价数据的正负面分类等,多分类是指将文本分成若干个类中的某 ...
- 查准率-查全率precision recall(PR)曲线Matlab实现
在用哈希进行检索时,常会用到precision recall曲线对其性能进行定量评价.precision recall的定义在信息检索评价指标中已做了详细说明,这里再记录一下precision rec ...
- 多分类f1分数_分类模型的F1-score、Precision和Recall 计算过程
分类模型的F1分值.Precision和Recall 计算过程 引入 通常,我们在评价classifier的性能时使用的是accuracy 考虑在多类分类的背景下 accuracy = (分类正确的样 ...
- python - sklearn 计算F1
python - sklearn 计算F1 因为最近写的分类模型需要性能评价 ,常用的分类性能评价有 查准率.召回率.准确率.F1 分类问题的常用的包 sklearn ,下面对F1所用的方法进行介绍 ...
- 机器学习指标(Precision、Recall、mAP、F1 Score等)
以下文章摘录自: <机器学习观止--核心原理与实践> 京东: https://item.jd.com/13166960.html 当当:http://product.dangdang.co ...
最新文章
- [C++]Call virtual member function in constructor or destructor
- python框架-Django安装使用
- php新闻列表页模块,PHP开发简单新闻发布系统之新闻列表页整体功能实现
- 02 算术、字符串与变量(1)
- HTML基础(2)——边框
- 批量获得oracle存储过程等
- Openresty 学习笔记(三)扩展库之neturl
- weblogic8.1在myeclipse中启动正常,在单独的weblogic中无法正常启动的解决方案.
- 第3章 文件操作-函数练习题
- win10无法装载iso文件_装载Win10 ISO镜像文件的具体方法
- Office2003打开或关闭word Excel文档出现发送错误报告
- Python使用string.Formatter()制作打印模板
- IE8补充前后缀快捷键
- 用python进行因式分解_Python实现的质因式分解算法示例
- 机器学习实战教程(九):模型泛化
- 【不忘初心】Win11_21H2_22000.100_X64_四合一[纯净精简版][2.9G](2021.8.5)
- windows添加右键打开cmd命令窗口
- 迅雷看看(http://kankan.xunlei.com/)
- 为华为荣耀5c(nem-tlooh)编译最新twrp recovery
- 谈谈Spring Ioc的理解