欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

机器学习classification_report方法及precision精确率和recall召回率 说明

程序员文章站 2022-05-04 15:09:52
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 ......

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 F1 F1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*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).

机器学习classification_report方法及precision精确率和recall召回率 说明

 

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”。

F1 F1值

 F1 F1值是精确度和召回率的调和平均值:

 2F1=1P+1R 2F1=1P+1R

 F1=2P×RP+R F1=2P×RP+R

精确度和召回率都高时, F1 F1值也会高. F1 F1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, F1 F1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

其中 

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:

机器学习classification_report方法及precision精确率和recall召回率 说明

则, 
 P=12=0.5 P=12=0.5 
 R=11=1 R=11=1 
 F1=212×112+1=0.67 F1=212×112+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: 

机器学习classification_report方法及precision精确率和recall召回率 说明

则, 
 P=01=0 P=01=0 
 R=01=0 R=01=0 
 F1=0 F1=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:

机器学习classification_report方法及precision精确率和recall召回率 说明

则, 
 P=22=1 P=22=1 
 R=23=0.67 R=23=0.67 
 F1=21×231+23+=0.8