分类的评估方法
1 精确率和召回率
- 混淆矩阵
在分类任务下,预测结果(Predict 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)
文章图片
- 精确率(Precision)与召回率(Recall)
(1)精确率:预测结果为正例样本中真实为正例的比例(了解)
精确率= T P T P + F P \frac{TP}{TP+FP} TP+FPTP?
文章图片
(2)召回率:真实为正例的样本中预测结果为正例的比例(对正样本的区分能力,差的全不全)
召回率= T P T P + F N \frac{TP}{TP+FN} TP+FNTP?
(3)F1-score,反映了模型的稳健性
F1= 2 T P 2 T P + F N + F P = 2 P r e c i s i o n ? R e c a l l P r e c i s i o n + R e c a l l \frac{2TP}{2TP+FN+FP}=\frac{2Precision*Recall}{Precision+Recall} 2TP+FN+FP2TP?=Precision+Recall2Precision?Recall? - 分类评估报告API
sklearn.metrics classification_report(y_true,y_pred,labels=[],target_name=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_name:目标类别名称
return:每个类别精确率与召回率
准确率:99%
召回率:100%
精确率:99%
F1-score:2*99%*100%/199%=99.497%
工厂里面的质量检测,关注的也是次品的召回率。
问题:如何衡量样本不均衡下的评估?
ROC曲线和AUC指标(衡量样本在不均衡的情况下好不好)
- 知道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 - ROC曲线
图中的蓝色为ROC曲线,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。
文章图片
- AUC指标
(1)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
(2)AUC的最小值为0.5,最大值为1,取值越高越好
(3)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的预测。绝大多数的预测场合,不存在完美分类器
(4)0.5 (5)最终AUC的范围在[0.5,1]之间,并且越接近1越好。
注意:如果AUC<0.5,反过来看。 - AUC计算API
sklearn.metrics import roc_auc_score(y_true,y_score)
计算ROC曲线的面积,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:预测的分,可以是正类的估计概率、置信值或者分类器方法的返回值
#查看精确率、召回率、F1-score
from sklearn.metrics import classification_report
report = classification_report(y_test,y_predict,labels=[2,4],target_names=["良性","恶性"])
print(report)
【机器学习之分类的评估方法】结果:
文章图片
#计算ROC和AUC
#y_true:每个样本的真实类别,必须为0(反例),1(正例)标记
#将y_test转换成0/1
y_true = np.where(y_test>3,1,0)
from sklearn.metrics import roc_auc_score
roc_auc_score(y_true,y_predict)
结果:
文章图片
文章图片
总结
- AUC只能用来评价二分类
- AUC非常适合评价样本不平衡中的分类性能
推荐阅读
- paddle|动手从头实现LSTM
- 人工智能|干货!人体姿态估计与运动预测
- 推荐系统论文进阶|CTR预估 论文精读(十一)--Deep Interest Evolution Network(DIEN)
- Python专栏|数据分析的常规流程
- 读书笔记|《白话大数据和机器学习》学习笔记1
- Pytorch学习|sklearn-SVM 模型保存、交叉验证与网格搜索
- Python机器学习基础与进阶|Python机器学习--集成学习算法--XGBoost算法
- 深度学习|深度学习笔记总结
- 机器学习|机器学习Sklearn学习总结
- 机器学习|线性回归原理与python实现