混淆矩陣的精度計(jì)算公式為：精度=(TP+TN)/(TP+TN+FP+FN)，也就是說(shuō)，精度就是指正確的預(yù)測(cè)數(shù)目除以所有樣本的數(shù)量。

準(zhǔn)確率、召回率與f-分?jǐn)?shù)：總結(jié)混淆矩陣還有幾種方法，其中最常見(jiàn)的就是準(zhǔn)確率和召回率。準(zhǔn)確率度量的是被預(yù)測(cè)為正例的樣本有多少是整整的樣例。即：準(zhǔn)確率=TP/(TP+FP)。如果目標(biāo)是限制假正例的數(shù)量，那么可以使用準(zhǔn)確率作為性能目標(biāo)。

召回率：召回率(recalll)度量的是正類(lèi)樣本中有多少被預(yù)測(cè)為正類(lèi)，即：召回率=TP/(TP+FN)，如果我們需要找出所有的正類(lèi)樣本，即避免反例是很重要的情況下，那么可以使用召回率作為性能指標(biāo)。

在優(yōu)化召回率與優(yōu)化準(zhǔn)確率之間需要折中，如果你預(yù)測(cè)所有樣本都屬于正類(lèi)，那么可以輕松得到完美的召回率(沒(méi)有假反例、也沒(méi)有真反例)。但是，將所有樣本都預(yù)測(cè)為正類(lèi)，將會(huì)得得很多假正例，因此準(zhǔn)確率會(huì)很低。與之相反，如果你的模型只講一個(gè)最確定的數(shù)據(jù)點(diǎn)預(yù)測(cè)為正類(lèi)，其他點(diǎn)都預(yù)測(cè)為反類(lèi)，那么準(zhǔn)確率將會(huì)很完美(假設(shè)這個(gè)數(shù)據(jù)點(diǎn)上實(shí)際上就屬于正類(lèi))，但是召回率會(huì)很差。(當(dāng)然，準(zhǔn)確率和召回率只是度量混淆矩陣情況中兩個(gè)量，其他的可以根據(jù)實(shí)際情況取對(duì)應(yīng)的參數(shù))。

f-分?jǐn)?shù)：雖然準(zhǔn)確率和召回率是非常重要的度量，三式僅查看二者之一無(wú)法提供完美的途徑，所以還有一種將兩種方法匯總的方法——f-分?jǐn)?shù)。它是準(zhǔn)確率與召回率的調(diào)和平均，即：F=2*(準(zhǔn)確率*召回率)/(準(zhǔn)確率+召回率)。

由于f-分?jǐn)?shù)同時(shí)考慮了準(zhǔn)確率和召回率，所以它對(duì)于不平衡的二分類(lèi)數(shù)據(jù)集來(lái)說(shuō)是一種比精度更好的度量方式。我們對(duì)前面提到過(guò)的“9與其余”的數(shù)據(jù)集的預(yù)測(cè)結(jié)果計(jì)算f1-分?jǐn)?shù)(我們這里假設(shè)“9”是正類(lèi)，標(biāo)記為T(mén)rue，其他樣本為False)：

from sklearn.metrics import f1_score

print("F1 score most frequent: {:.2f}".format(f1_score(y_test, pred_most_frequent)))

print("F1 score dummy: {:.2f}".format(f1_score(y_test, pred_dummy)))

print("F1 score logreg: {:.2f}".format(f1_score(y_test, pred_logreg)))

print("F1 score of Tree: {:.2f}".format(f1_score(y_test, pred_tree)))

運(yùn)行后其結(jié)果如下：

F1 score most frequent: 0.00

F1 score dummy: 0.13

F1 score logreg: 0.89

F1 score of Tree: 0.55

由運(yùn)行結(jié)果可以看出：most_frequency的預(yù)測(cè)中得到的是一條錯(cuò)誤信息；另外需要注意的是，虛擬預(yù)測(cè)和決策樹(shù)預(yù)測(cè)之間還是有差別的，盡管精度差別不大，但是f-分?jǐn)?shù)卻相差很大。在這里，f-分?jǐn)?shù)更加符合我們對(duì)模型的直覺(jué)。f-分?jǐn)?shù)的缺點(diǎn)則是比精度更加難以解釋。

如果我們要對(duì)準(zhǔn)確率、召回率和f1-分?jǐn)?shù)做一個(gè)更加全面的總結(jié)，則可以使用classification_report這個(gè)函數(shù)，它可以同時(shí)計(jì)算這三個(gè)值，并以美觀的形式打印出來(lái)。

from sklearn.metrics import classification_report

print("Most frequency class precious:")

print(classification_report(y_test, pred_most_frequent, target_names=["not Nine", "Nine"]))

print("Dummy model precious:")

print(classification_report(y_test, pred_dummy, target_names=["not Nine", "Nine"]))

print("Decision tree precious:")

print(classification_report(y_test, pred_tree, target_names=["not Nine", "Nine"]))

print("logistic regression precious")

print(classification_report(y_test, pred_logreg, target_names=["not Nine", "Nine"]))

運(yùn)行結(jié)果如下圖：

classification_report 屬性打印

classification_report函數(shù)為每個(gè)類(lèi)別(這里是True和False)生成一行，并給出以該類(lèi)并為正類(lèi)的準(zhǔn)確率、召回率及f-分?jǐn)?shù)。這里的最后一列support(支持)表示的是在這個(gè)類(lèi)別中真實(shí)樣本的數(shù)量；最后一行顯示的是對(duì)應(yīng)指標(biāo)的加權(quán)平均(按每個(gè)類(lèi)別中的樣本個(gè)數(shù)加權(quán))。

同時(shí)，我們從運(yùn)行結(jié)果中還可以看出，虛擬模型與logreg之間的區(qū)別并不是很明顯，選擇哪個(gè)類(lèi)作為正類(lèi)對(duì)指標(biāo)有很大影響。在這里選擇Nine作為正類(lèi)時(shí)logisticregression比其他方法更具備優(yōu)勢(shì)。

總結(jié)

以上是生活随笔為你收集整理的python 怎么调用 矩阵 第几行_第58集 python机器学习：混淆矩阵精度指标的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。