classification_report分类报告的含义

classification_report分类报告

• 基础知识
• • [混淆矩阵（Confusion Matrix）](#混淆矩阵（Confusion Matrix）)
  • TP、TN、FP、FN
  • 精度（Precision）
  • 准确率（Accuracy）
  • 召回率（Recall）
  • F1分数（F1-score）
• classification_report分类报告

基础知识

混淆矩阵（Confusion Matrix）

可以看出来类别之间相互误分的情况，查看是否有特定的类别相互混淆，能够帮我们调整后续模型，比如一些类别设置权重衰减。

	预测为正类别	预测为负类别
实际为正类别	True Positive (TP)	False Negative (FN)
实际为负类别	False Positive (FP)	True Negative (TN)

TP、TN、FP、FN

TP（True Positives）：预测为正类别，并且预测对了

TN（True Negatives）：预测为负类别，而且预测对了

FP（False Positives）：预测为正类别，但是预测错了

FN（False Negatives）：预测为负类别，但是预测错了

精度（Precision）

精确率表示模型预测为正类别的样本中有多少是真正的正类别。
P r e c i s i o n = T P T P + F P Precision=\frac{TP}{TP+FP} Precision=TP+FPTP

准确率（Accuracy）

正确分类的样本占总样本数的比例。
A c c u r a c y = T P + T N T P + T N + F P + F N Accuracy=\frac{TP+TN}{TP+TN+FP+FN} Accuracy=TP+TN+FP+FNTP+TN

召回率（Recall）

在所有实际为正类别的样本中，模型能够正确预测为正类别的比例。
R e c a l l = T P T P + F N Recall=\frac{TP}{TP+FN} Recall=TP+FNTP

高召回率意味着模型能够有效地捕捉到实际为正类别的样本。

与Precision的关系：负相关。

F1分数（F1-score）

F1 分数的取值范围是 0, 1，越接近 1 表示模型的性能越好，同时考虑到了模型在查准率和查全率之间的平衡。
F 1 = 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 F1=\frac{2×(Precision×Recall)}{Precision+Recall} F1=Precision+Recall2×(Precision×Recall)

classification_report分类报告

Python代码中使用"classification_report(Y_test,Y_prediction)"可以查看分类报告，其中Y_test为真实标签、Y_prediction为预测结果。

这里以一个数据量为10大小的二分类为例子，方便手算来理解一遍分类报告。

输入如下Python代码：

from sklearn.metrics import classification_report
Y_test=[0, 0, 0, 0, 0, 1, 1, 1, 1, 1]
Y_prediction=[0, 1, 0, 0, 0, 1, 1, 0, 0, 1]
print(classification_report(Y_test,Y_prediction))

得到该10个数据的二分类的分类报告：

先画个混淆矩阵：

	预测为1	预测为0
实际为1	3	2
实际为0	1	4

给出了每类别对应的精度（Precision）、召回率（Recall）F1分数（F1-score）、真实中有多少个是该类别的（Support）、准确率（Accuracy）、宏平均（macro avg）和加权平均（weighted avg）。

Precision：预测为x的样本中，有多少被正确预测为x。

Precision_0=4/(2+4)=0.67

Precision_1=3/(3+1)=0.75

Recall：实际为x的类别中，有多少预测为x。

Recall_0=3/5=0.60

Recall_1=4/5=0.80

F1分数：2×Precision×Recall /(Precision+Recall)。

Accuracy：全部样本里被分类正确的比例。

Accuracy=7/10

macro avg：上面类别各分数的直接平均。

macro avg_precision=(0.67+0.75)/2=0.71

weighted avg：上面类别各分数的加权（权值为support）平均。

macro avg_precision=(0.675+0.755)/10=0.71