混淆矩阵、准确率、精确率、召回率、F值、ROC曲线、AUC、PR

目录

• 混淆矩阵 confusion-matrix
• 分类准确率 accuracy
• 精确率Precision
• 召回率 recall
• F1值
• Roc曲线、AUC
• PR曲线

混淆矩阵 confusion-matrix

• TP(True Positive): 真实为0，预测也为0
• FN(False Negative): 真实为0，预测为1
• FP(False Positive): 真实为1，预测为0
• TN(True Negative): 真实为0，预测也为0
• 混淆矩阵的API

from sklearn.metrics import confusion_matrix
confusion_matrix = confusion_matrix(y_test, y_predict)

image.png
image.png

分类准确率 accuracy

• 所有样本中被预测正确的样本的比率
• 分类模型总体判断的准确率(包括了所有class的总体准确率)
• 准确率的API:

from sklearn.metrics import accuracy
accuracy = accuracy_score(y_test, y_predict)

image.png

精确率Precision

• 预测为正类0的准确率
  TP / ( TP + FP )

from sklearn.metrics import precision_score
precision = precision_score(y_test, y_predict)

召回率 recall

• 真实为0的准确率

  
  image.png
• 真实为1的准确率
  Recall = TN/(TN+FP)
• 召回率API:

from sklearn.metrics import recall_score
recall = recall_score(y_test, y_predict)
#recall得到的是一个list，是每一类的召回率

F1值

• 用来衡量二分类模型精确度的一种指标。它同时兼顾了分类模型的准确率和召回率。F1分数可以看作是模型准确率和召回率的一种加权平均，它的最大值是1，最小值是0。

image.png

from sklearn.metrics import f1_score
f1_score(y_test, y_predict)

Roc曲线、AUC

• TPR FPR

  • 样本中的真实正例类别总数即TP+FN
    TPR即True Positive Rate，TPR = TP/(TP+FN)。
  • TPR：真实的正例0中，被预测为正例的比例
  • 样本中的真实反例类别总数为FP+TN
    FPR即False Positive Rate，FPR=FP/(TN+FP)。
  • FPR：真实的反例1中，被预测为正例的比例
  • 理想分类器TPR=1，FPR=0

• 截断点thresholds

  机器学习算法对test样本进行预测后，可以输出各test样本对某个类别的相似度概率。比如t1是P类别的概率为0.3，一般我们认为概率低于0.5，t1就属于类别N。这里的0.5，就是”截断点”。

总结一下，对于计算ROC，最重要的三个概念就是TPR, FPR, 截断点。

• ROC曲线

• ROC曲线越接近左上角，代表模型越好，即ACU接近1

from sklearn.metrics import roc_auc_score, auc
import matplotlib.pyplot as plt
y_predict = model.predict(x_test)
y_probs = model.predict_proba(x_test) #模型的预测得分
fpr, tpr, thresholds = metrics.roc_curve(y_test,y_probs)
roc_auc = auc(fpr, tpr)  #auc为Roc曲线下的面积
#开始画ROC曲线
plt.plot(fpr, tpr, 'b',label='AUC = %0.2f'% roc_auc)
plt.legend(loc='lower right')
plt.plot([0,1],[0,1],'r--')
plt.xlim([-0.1,1.1])
plt.ylim([-0.1,1.1])
plt.xlabel('False Positive Rate') #横坐标是fpr
plt.ylabel('True Positive Rate')  #纵坐标是tpr
plt.title('Receiver operating characteristic example')
plt.show()

运行结果如下图所示：

参考资料：
1.混淆矩阵(Confusion Matrix)
https://www.jianshu.com/p/0fc8a0b784f1
2.ROC与AUC的定义与使用详解
https://blog.csdn.net/shenxiaoming77/article/details/72627882