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:
python
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