zoukankan      html  css  js  c++  java
  • 随笔1-准确率函数

    计算精度

    函数原型
    sklearn.metrics.precision_score(y_true, y_pred, labels=None, pos_label=1, average=’binary’, sample_weight=None)
    函数注释
    精度Precision=TP/(TP+FP)。其中TP是真正例,FP是假正例。精度直观地表示分类器标记正例的能力。最佳值为1,最差值为0

    •  Macro Average(宏平均)

    宏平均是指在计算均值时使每个类别具有相同的权重,最后结果是每个类别的指标的算术平均值。

    • Micro Average(微平均)

    微平均是指计算多分类指标时赋予所有类别的每个样本相同的权重,将所有样本合在一起计算各个指标。

    • weighted

    为每个标签计算指标,并通过各类占比找到它们的加权均值(每个标签的正例数).它解决了’macro’的标签不平衡问题;它可以产生不在精确率和召回率之间的F-score.

    • 如果每个类别的样本数量差不多,那么宏平均和微平均没有太大差异
    • 如果每个类别的样本数量差异很大,那么注重样本量多的类时使用微平均,注重样本量少的类时使用宏平均
    • 如果微平均大大低于宏平均,那么检查样本量多的类来确定指标表现差的原因
    • 如果宏平均大大低于微平均,那么检查样本量少的类来确定指标表现差的原因
    from sklearn.metrics import precision_score
    
    y_true = [0, 1, 2, 0, 1, 2]
    
    y_pred = [0, 2, 1, 0, 0, 1]
    
    print(precision_score(y_true, y_pred, average='macro'))
    
    # 0.2222222222222222
    
    print(precision_score(y_true, y_pred, average='micro'))
    
    # 0.3333333333333333
    
    print(precision_score(y_true, y_pred, average='weighted'))
    
    # 0.2222222222222222
    
    print(precision_score(y_true, y_pred, average=None))
    
    # [0.66666667 0. 0.]  #为三类个别的预测准确率,0.666667为0的预测准确率,0为1的预测准确率,0为2的预测准确率
    参考:https://www.jianshu.com/p/6a80ef501882
  • 相关阅读:
    Createjs学习心得之使用EaselJs实现拖拽效果
    学习笔记——复杂的窗口分帧
    cordova 插件开发
    wcf rest 服务用于安卓和ISO调用5-------验证
    wcf rest 服务用于安卓和ISO调用4-------多文件上传
    wcf rest 服务用于安卓和ISO调用3-------soap与rest共用
    wcf rest 服务用于安卓和ISO调用2-------文件上传
    wcf rest 服务用于安卓和ISO调用1
    RecycleView 瀑布流滑动移位
    RecycleView 滑动到底部,加载更多
  • 原文地址:https://www.cnblogs.com/zhanghongpan/p/12562240.html
Copyright © 2011-2022 走看看