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
# 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
  • 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
posted @ 2021-02-03 22:34  你的深渊  阅读(359)  评论(0编辑  收藏  举报