精準度（precision）

precision = 正確預測的個數（TP） / 被預測正確的個數（TP+FP）

召回率（recall）

recall = 正確預測的個數（TP）/ 預測個數（FN）

調和平均值 F1-Socre

f1 = 2*精準度 * 召回率 /（精度 * 召回率）

以二分類問題為例

真實\預測01

0	預測negative正確（TN）	預測positive錯誤（FP）
1	預測positive錯誤（FN）	預測positive正確（TP）

precision = TP/(TP+FP)
recall = TP/(TP+FN)
求f1_score

from sklearn.metrics import f1_score f1_score(y_test,y_predict) # y_test 測試集 # y_predict 預測結果

代碼實現上述定義

import numpy as np from sklearn import datasetsdigits = datasets.load_digits() X = digits['data'] y = digits['target'].copy()# 手動讓digists數據9的數據偏斜 y[digits['target']==9]=1 y[digits['target']!=9]=0from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_splitX_train,X_test,y_train,y_test = train_test_split(X,y,random_state=1) 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)# 預測negative正確 def TN(y_true,y_predict):return np.sum((y_true==0)&(y_predict==0)) tn = TN(y_test,y_log_predict) # tn = 399# 預測positive錯誤 def FP(y_true,y_predict):return np.sum((y_true==0)&(y_predict==1)) fp = FP(y_test,y_log_predict) # fp = 3# 預測negative錯誤 def FN(y_true,y_predict):return np.sum((y_true==1)&(y_predict==0)) fn = FN(y_test,y_log_predict) # fn = 7# 預測positive正確 def TP(y_true,y_predict):return np.sum((y_true==1)&(y_predict==1)) tp = TP(y_test,y_log_predict) # tp = 41

構造混淆矩陣

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) """ output : array([[399, 3],[ 7, 41]]) """

精準率

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) """ output : 0.9318181818181818 """

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) """ output : 0.8541666666666666 """

以上為拆分理解 在sklearn中都可以直接求得

# 混淆矩陣 from sklearn.metrics import confusion_matrix confusion_matrix(y_test,y_log_predict) """ output：array([[399, 3],[ 7, 41]], dtype=int64) """ # 精準率 from sklearn.metrics import precision_score precision_score(y_test,y_log_predict) """ output: 0.9318181818181818 """ # z召回率 from sklearn.metrics import recall_score recall_score(y_test,y_log_predict) """ output: 0.8541666666666666 """ # classification_report from sklearn.metrics import classification_report print(classification_report(y_test,y_log_predict)) """ output: precision recall f1-score support0 0.98 0.99 0.99 4021 0.93 0.85 0.89 48avg / total 0.98 0.98 0.98 450 """

總結

以上是生活随笔為你收集整理的机器学习--数据判断依据 精确度、召回率、调和平均值F1值的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。