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
