使用sklearn accuracy_score,f1_score,roc_auc_score,recall_score,precision_score对模型进行评估

野性酷女 2022-05-23 03:21 265阅读 0赞

评估模型一般都涉及到几个名词，而且分为两种类型：  
先上混淆矩阵图,然后通过混淆矩阵更能清晰了解计算过程。  
![这里写图片描述][70]  
1.以下都是针对某一个类别而言，一般用于更关注哪个类别是否被分对了  
计算的时候只分2类，这里的2分类是指类别只有2种，那么对于多分类，比如苹果，梨，桃子，在使用的时候需要针对某类进行2分类，比如’是苹果’，’不是苹果’,这时候也就是关注苹果了。

Precision,正确率(TP/TP+FP)（注意:有些人把precision叫做准确率是不对的）  
Recall,召回率 TP/(TP+FN),其实就是对一个类别做一个准确率  
F1score,调和平均 harmonic mean，F1 = 2 \* (precision \* recall) / (precision + recall)  
ROC曲线 纵坐标是召回率，横坐标是假阳率=FP/(FP+TN),ROC曲线的面积AUC是当前分类器的平均性能，完美的分类器为AUC=1.0，而随机猜的为0.5

2.针对整体而言  
Accuracy 准确率，对总体而言，和Recall有点区别

sklearn 中都有相应的评估方法和生成混淆矩阵  
from sklearn.metrics import accuracy\_score,f1\_score,roc\_auc\_score,recall\_score,precision\_score,confusion\_matrix

from sklearn.metrics import accuracy_score,f1_score,roc_auc_score,recall_score,precision_score
    
    #例如有混淆矩阵
    #样本标签顺序:'0','1';分别表示第一行为'0'标签类别，第二行为'1'类别标签
    # [10 0]
    # [5 5]
    
    #计算准确率
    acc_score = accuracy_score(y_test,preds)
    print(acc_score)
    #0.75 ,计算过程(10+5)/(10+0+5+5)=0.75
    #其实也相当于np.mean(preds == y_test))
    
    #计算roc面积，但只限制于2分类，根据preds值的类型做不同处理
    #1.preds是预测的类别，而不是概率
    #根据上述例子，preds 里面的值是一个类别标签，比如'0'或者'1'
    roc_auc_score1 = roc_auc_score(y_test,preds)
    print(roc_auc_score1)
    #0.75 计算面积如下图(文章最后)，点(0.5,1.0)，分别和(0.0)和(1.1)相连，然后求面积
    #2.preds是概率值，那么sklearn会自动调整阈值然后画出roc曲线，然后计算roc曲线面积AUC
    
    #计算召回率
    #def recall_score(y_true, y_pred, labels=None, pos_label=1, average='binary',sample_weight=None)
    #有个参数pos_label，指定计算的类别的召回率，默认为1，这里也就是查看标签为'1'的召回率
    raca_score = recall_score(y_test,preds)
    print(raca_score)
    #0.5 计算过程5/(5+5)=0.5
    
    #计算正确率
    #def precision_score(y_true, y_pred, labels=None, pos_label=1,average='binary', sample_weight=None)
    #有个参数pos_label，指定计算的类别的正确率，默认为1
    prec_score = precision_score(y_test,preds)
    print(prec_score)
    #1.0 计算过程5/(5+0) = 1.0
    
    #计算F1score
    #def f1_score(y_true, y_pred, labels=None, pos_label=1, average='binary',sample_weight=None)
    #使用的是调和平均 harmonic mean,F1 = 2 * (precision * recall) / (precision + recall)
    f1_score = f1_score(y_test,preds)
    #0.666666666667 计算过程 2(1*0.5)/(1+0.5) = 1/1.5 = 0.666666666667

![这里写图片描述][70 1]

[70]: /images/20220523/1fdd2fd373034bb7b8ac4c7ba58b6aee.png
[70 1]: /images/20220523/203fb987805f4aacb1abe1c2c3cebff2.png