一、classification_report简介
classification_report是Scikit-learn库中的一个函数，它可以对分类模型的性能进行评估。classification_report主要用于计算每个类别的精准率、召回率、F1值以及支持度等指标。
from sklearn.metrics import classification_report
print(classification_report(y_true, y_pred))
其中y_true代表真实类别标签，y_pred代表模型预测的类别标签。
二、分类模型性能指标说明
1. 精准率（Precision）
精准率指的是在所有被分类器预测为正例的样本中，确实属于正例的概率。在二分类问题中：
精准率 = TP / (TP + FP)
其中TP（True Positive）表示真正例的个数，FP（False Positive）表示假正例的个数。
2. 召回率（Recall）
召回率指的是在所有正例中，被分类器正确预测为正例的概率。在二分类问题中：
召回率 = TP / (TP + FN)
其中FN（False Negative）表示假反例的个数。
3. F1值
F1值是精准率和召回率的调和平均值，同时考虑了两者的影响。在二分类问题中：
F1值 = 2 * (精准率 * 召回率) / (精准率 + 召回率)
4. 支持度
支持度指的是给定类别的样本数。
三、分类模型性能评估示例
1. 二分类问题
假设有一个二分类的模型，根据数据集的情况，我们得到以下混淆矩阵：
| 预测值 | ||
|---|---|---|
| 真实值 | 1 | 0 |
| 0 | 1 | |
根据混淆矩阵，我们可以得到以下计算结果：
y_true = [1, 1, 1, 0, 0, 0]
y_pred = [1, 0, 1, 0, 1, 0]
print(classification_report(y_true, y_pred))
precision recall f1-score support
0 0.50 0.33 0.40 3
1 0.50 0.67 0.57 3
accuracy 0.50 6
macro avg 0.50 0.50 0.49 6
weighted avg 0.50 0.50 0.49 6
其中precision、recall、f1-score和support分别为精准率、召回率、F1值和支持度。从上面的结果中可以看到：
- 精准率0的值为0.50，表示在预测为0的样本中，有50%的样本确实属于0。
- 召回率0的值为0.33，表示在所有真实为0的样本中，只有33%的样本被预测为0。
- F1值的平均值为0.49。
2. 多分类问题
对于多分类问题，classification_report同样适用。假设有一个3分类的模型，根据数据集的情况，我们得到以下混淆矩阵：
| 预测值 | |||
|---|---|---|---|
| 真实值 | 1 | 0 | 0 |
| 0 | 2 | 1 | |
| 0 | 1 | 1 | |
根据混淆矩阵，我们可以得到以下计算结果：
y_true = [0, 1, 2, 0, 2, 1]
y_pred = [1, 1, 2, 0, 0, 1]
print(classification_report(y_true, y_pred))
precision recall f1-score support
0 0.50 0.50 0.50 2
1 0.33 0.67 0.44 3
2 1.00 0.50 0.67 2
accuracy 0.50 7
macro avg 0.61 0.56 0.54 7
weighted avg 0.61 0.50 0.53 7
从上面的结果中可以看到：
- 精准率1的值为0.33，表示在预测为1的样本中，只有33%的样本确实属于1。
- 召回率1的值为0.67，表示在所有真实为1的样本中，有67%的样本被预测为1。
- F1值的平均值为0.54。
四、总结
classification_report是一个非常有用的函数，它可以帮助我们对分类模型的性能进行评估，并从多个角度分析模型的表现。在使用classification_report时，我们需要注意计算的指标含义以及混淆矩阵的准备工作。
原创文章，作者：OMDX，如若转载，请注明出处：https://www.506064.com/n/143730.html
微信扫一扫 
支付宝扫一扫 