分类评估方法
1.分类评估方法
1.1 精确率与召回率
1.1.1 混淆矩阵
在分类任务下,预测结果(Predicted Condition)与正确标记(True Condition)之间存在四种不同的组合,构成混淆矩阵(适用于多分类)
1.1.2 精确率(Precision)与召回率(Recall)
- 精确率:预测结果为正例样本中真实为正例的比例(了解)
- 召回率:真实为正例的样本中预测结果为正例的比例(查得全,对正样本的区分能力)
1.2 F1-score
还有其他的评估标准,F1-score,反映了模型的稳健型
1.3 分类评估报告api
- sklearn.metrics.classification_report(y_true, y_pred, labels=[], target_names=None )
-
- y_true:真实目标值
- y_pred:估计器预测目标值
- labels:指定类别对应的数字
- target_names:目标类别名称
- return:每个类别精确率与召回率
ret = classification_report(y_test, y_predict, labels=(2,4), target_names=("良性", "恶性"))
print(ret)
假设这样一个情况,如果99个样本癌症,1个样本非癌症,不管怎样我全都预测正例(默认癌症为正例),准确率就为99%但是这样效果并不好,这就是样本不均衡下的评估问题
问题:如何衡量样本不均衡下的评估?
2 ROC曲线与AUC指标
2.1 TPR与FPR
- TPR = TP / (TP + FN)
- 所有真实类别为1的样本中,预测类别为1的比例
- FPR = FP / (FP + TN)
- 所有真实类别为0的样本中,预测类别为1的比例
2.2 ROC曲线
- ROC曲线的横轴就是FPRate,纵轴就是TPRate,当二者相等时,表示的意义则是:对于不论真实类别是1还是0的样本,分类器预测为1的概率是相等的,此时AUC为0.5
2.3 AUC指标
- AUC的概率意义是随机取一对正负样本,正样本得分大于负样本得分的概率
- AUC的范围在[0, 1]之间,并且越接近1越好,越接近0.5属于乱猜
- AUC=1,完美分类器,采用这个预测模型时,不管设定什么阈值都能得出完美预测。绝大多数预测的场合,不存在完美分类器。
- 0.5<AUC<1,优于随机猜测。这个分类器(模型)妥善设定阈值的话,能有预测价值。
2.4 AUC计算API
- from sklearn.metrics import roc_auc_score
- sklearn.metrics.roc_auc_score(y_true, y_score)
- 计算ROC曲线面积,即AUC值
- y_true:每个样本的真实类别,必须为0(反例),1(正例)标记
- y_score:预测得分,可以是正类的估计概率、置信值或者分类器方法的返回值
- sklearn.metrics.roc_auc_score(y_true, y_score)
# 0.5~1之间,越接近于1约好
y_test = np.where(y_test > 2.5, 1, 0)
print("AUC指标:", roc_auc_score(y_test, y_predict)
- AUC只能用来评价二分类
- AUC非常适合评价样本不平衡中的分类器性能
3 小结
- 混淆矩阵【了解】
- 真正例(TP)
- 伪反例(FN)
- 伪正例(FP)
- 真反例(TN)
- 精确率(Precision)与召回率(Recall)【知道】
- 准确率:(对不对)
- (TP+TN)/(TP+TN+FN+FP)
- 精确率 -- 查的准不准
- TP/(TP+FP)
- 召回率 -- 查的全不全
- TP/(TP+FN)
- F1-score
- 反映模型的稳健性
- 准确率:(对不对)
- roc曲线和auc指标【知道】
- roc曲线
- 通过tpr和fpr来进行图形绘制,然后绘制之后,行成一个指标auc
- auc
- 越接近1,效果越好
- 越接近0,效果越差
- 越接近0.5,效果就是胡说
- 注意:
- 这个指标主要用于评价不平衡的二分类问题
- roc曲线