目錄

一、基礎(chǔ)理論

1、混淆矩陣

2、精確率

3、召回率

4、F1-score

二、查看癌癥預(yù)測(cè)結(jié)果的精確率、召回率

API

查看癌癥預(yù)測(cè)結(jié)果的精確率、召回率

總代碼

---

一、基礎(chǔ)理論

1、混淆矩陣

預(yù)測(cè)結(jié)果與正確標(biāo)記之間存在四種不同的組合：

2、精確率

精確率： 預(yù)測(cè)結(jié)果為正例樣本中真實(shí)為正例的比例。

3、召回率

召回率：真實(shí)為正例樣本中，預(yù)測(cè)結(jié)果為正例的比例。（真實(shí)為癌癥能夠被檢測(cè)出來的概率）

（重要，檢測(cè)查的全不全）

?

4、F1-score

反映模型的穩(wěn)健性。

二、查看癌癥預(yù)測(cè)結(jié)果的精確率、召回率

API

sklearn.metrics.classification_report

查看癌癥預(yù)測(cè)結(jié)果的精確率、召回率

# 查看精確率、召回率、F1-score
report = classification_report(test_target, predict, target_names=['良性', '惡性'])
print(report)

總代碼

# 邏輯回歸：癌癥分類
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import classification_report# 1、讀取數(shù)據(jù)
column_name=['Sample code number','Clump Thickness','Uniformity of Cell Size','Uniformity of Cell Shape','Marginal Adhesion','Single Epithelial Cell Size','Bare Nuclei','Bland Chromatin','Normal Nucleoli','Mitoses','Class']pd.set_option('display.max_columns',1000)        # 設(shè)置最大列數(shù)
pd.set_option('display.max_rows',1000)           # 設(shè)置最大行數(shù)data=pd.read_csv('breast-cancer-wisconsin.data', names=column_name)
# print(data)# 2、缺失數(shù)據(jù)處理
data = data.replace(to_replace='?', value = np.nan)
data.dropna(inplace=True)# 3、劃分?jǐn)?shù)據(jù)集
train = data.iloc[:, 1:-1]
target = data['Class']
train_data, test_data, train_target, test_target = train_test_split(train, target)
# print(train_data)# 4、標(biāo)準(zhǔn)化（對(duì)訓(xùn)練集和測(cè)試集標(biāo)準(zhǔn)化）
transfer = StandardScaler()
train_data = transfer.fit_transform(train_data)
test_data = transfer.transform(test_data)
# print(train_data)# 5、創(chuàng)建邏輯回歸預(yù)估器，訓(xùn)練
estimator = LogisticRegression()
estimator.fit(train_data, train_target)
# print(train_data)# 查看模型參數(shù)：回歸系數(shù) 和 偏置
print('回歸系數(shù)：', estimator.coef_)
print('偏置：', estimator.intercept_)# 6、模型評(píng)估
# 方法一：比對(duì)
predict = estimator.predict(test_data)
print(predict==test_target)
# 方法二：計(jì)算正確率
score = estimator.score(test_data, test_target)
print('邏輯回歸分類正確率為：', score)# 查看精確率、召回率、F1-score
report = classification_report(test_target, predict, target_names=['良性', '惡性'])
print(report)

總結(jié)

以上是生活随笔為你收集整理的机器学习（15）精确率召回率F1-score（查看癌症预测结果的精确率、召回率）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

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