数据挖掘实践（16）：基础理论（十六)数据挖掘基础（三）特征工程（二）性能度量与评估方法

1 混淆矩阵

 

 

2 实例

3 代码实验

from sklearn.metrics import accuracy_score # 准确率

y_pred = [0, 2, 1, 3]
y_true = [0, 1, 2, 3]
print(accuracy_score(y_true, y_pred))  

0.5

from sklearn.metrics import precision_score # 精确率

y_true = [0, 1, 2, 0, 1, 2]
y_pred = [0, 2, 1, 0, 0, 1]

#宏平均（Macro-averaging），是先对每一个类统计指标值，然后在对所有类求算术平均值。
#微平均（Micro-averaging），是对数据集中的每一个实例不分类别进行统计建立全局混淆矩阵，然后计算相应指标。

print(precision_score(y_true, y_pred, average='macro'))  
print(precision_score(y_true, y_pred, average='micro'))  

0.2222222222222222
0.3333333333333333

from sklearn.metrics import recall_score # 召回率

y_true = [0, 1, 2, 0, 1, 2]
y_pred = [0, 2, 1, 0, 0, 1]
print(recall_score(y_true, y_pred, average='macro'))  # 0.3333333333333333
print(recall_score(y_true, y_pred, average='micro'))  # 0.3333333333333333

0.3333333333333333
0.3333333333333333

from sklearn.metrics import f1_score # 调和平均值

y_true = [0, 1, 2, 0, 1, 2]
y_pred = [0, 2, 1, 0, 0, 1]
print(f1_score(y_true, y_pred, average='macro'))  
print(f1_score(y_true, y_pred, average='micro'))  

0.26666666666666666
0.3333333333333333

4 实例小结

5 扩展点

 6 特征工程总结

 

 7 相关问题解答