机器学习笔记－－classification_report&精确度/召回率/F1值 -一个渣渣

classification_report简介

sklearn中的classification_report函数用于显示主要分类指标的文本报告．在报告中显示每个类的精确度，召回率，F1值等信息。
主要参数:
y_true：1维数组，或标签指示器数组/稀疏矩阵，目标值。
y_pred：1维数组，或标签指示器数组/稀疏矩阵，分类器返回的估计值。
labels：array，shape = [n_labels]，报表中包含的标签索引的可选列表。
target_names：字符串列表，与标签匹配的可选显示名称（相同顺序）。
sample_weight：类似于shape = [n_samples]的数组，可选项，样本权重。
digits：int，输出浮点值的位数．

classification_report用法示例：

from sklearn.metrics import classification_report
y_true = [0, 1, 2, 2, 2]
y_pred = [0, 0, 2, 2, 1]
target_names = ['class 0', 'class 1', 'class 2']
print(classification_report(y_true, y_pred, target_names=target_names))

输出：

             precision    recall  f1-score   support

    class 0       0.50      1.00      0.67         1
    class 1       0.00      0.00      0.00         1
    class 2       1.00      0.67      0.80         3

avg / total       0.70      0.60      0.61         5

其中列表左边的一列为分类的标签名，右边support列为每个标签的出现次数．avg / total行为各列的均值（support列为总和）．
precision recall f1-score三列分别为各个类别的精确度/召回率及

$\ F_1$ 值．

精确度/召回率/F1值

精确度＆召回率

精确度/召回率/F1值在＜统计学习方法＞和周志华的＜机器学习＞中都有详细介绍，以下参考维基百科中Precision and recall的说明：

如下图所示，假设有若干张图片，其中12张是狗的图片其余是猫的图片．现在利用程序去识别狗的图片，结果在识别出的8张图片中有5张是狗的图片，3张是猫的图片（属于误报）．

图中，实心小圆代表狗的图片，虚心小圆代表猫的图片，圆形区域代表识别结果．

则该程序的精度precision＝5/8，召回率recall＝5/12。

当一个搜索引擎返回30个页面时，只有20页是相关的，而没有返回40个额外的相关页面，其精度为20/30 = 2/3，而其召回率为20/60 = 1/3。在这种情况下，精确度是“搜索结果有多大用处”，而召回是“结果如何完整”。

$\ F_1$ 值

$\ F_1$ 值是精确度和召回率的调和平均值：

$\ \frac{2}{F_{1}}=\frac{1}{P}+\frac{1}{R}$

$\ F_{1}=2 \frac{P\times R}{P+R}$

精确度和召回率都高时，

$\ F_1$ 值也会高．

$\ F_1$ 值在1时达到最佳值（完美的精确度和召回率），最差为0．在二元分类中，

$\ F_1$ 值是测试准确度的量度。

示例说明：

from sklearn.metrics import classification_report
y_true = [0, 1, 2, 2, 2]
y_pred = [0, 0, 2, 2, 1]
print(classification_report(y_true, y_pred))

输出：

            precision    recall  f1-score   support

          0       0.50      1.00      0.67         1
          1       0.00      0.00      0.00         1
          2       1.00      0.67      0.80         3

avg / total       0.70      0.60      0.61         5

例中：

真实值	预测值
0	0
1	0
2	2
2	2
2	1

对示例程序中的结果：

  precision    recall  f1-score   support

0       0.50      1.00      0.67         1
1       0.00      0.00      0.00         1
2       1.00      0.67      0.80         3

第一行的计算：
即0的预测情况：真实值中有1个0，预测值中有2个0，其中1个预测正确，1个预测错误．如图所示：

则，

$\ P= \frac{1}{2}=0.5$

$\ R= \frac{1}{1}=1$

$\ F_{1}= 2\frac{ \frac{1}{2} \times 1}{ \frac{1}{2}+1}=0.67$

第二行的计算：
即1的预测情况：真实值中有1个1，预测值中有1个1，且预测错误．如图所示：

则，

$\ P= \frac{0}{1}=0$

$\ R= \frac{0}{1}=0$

$\ F_{1}= 0$

第三行的计算：
即2的预测情况：真实值中有3个2，预测值中有2个2，且预测正确．如图所示：

则，

$\ P= \frac{2}{2}=1$

$\ R= \frac{2}{3}=0.67$

$\ F_{1}= 2\frac{1\times \frac{2}{3} }{ 1+\frac{2}{3}+}=0.8$

转载自原文链接, 如需删除请联系管理员。

原文链接：机器学习笔记－－classification_report&精确度/召回率/F1值，转载请注明来源！