机器学习分类问题指标——Accuracy，Precision、Recall、F1，P-R，ROC，AUC（以鸢尾花为例）

65 阅读 0 评论 43 点赞

我是靠谱客的博主舒服小松鼠，最近开发中收集的这篇文章主要介绍机器学习分类问题指标——Accuracy，Precision、Recall、F1，P-R，ROC，AUC（以鸢尾花为例），觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

文章目录

- - 1、基本属性：TP、TN、FP、FN
  - 2、精确率（Precision），召回率（Recall），准确率（Accuracy）
  - 3、F1-Score（精确率和召回率的调和平均数）
  - 4、P-R Curve（精确率-召回率曲线）
  - 5、ROC曲线，AUC面积（FPR - FPR 曲线）
  - 附：代码

1、基本属性：TP、TN、FP、FN

分类的结果有的四个基本属性，其他各种属性都是在此基础上计算而来的。

TP（True Positive，真正）：将好西瓜预测为好西瓜，即预测答案正确
TN（True Negative，真负）：将坏西瓜预测为坏西瓜，也是预测答案正确的意思。
FP（False Positive，假正）：将坏西瓜预测为好西瓜，错将其他类预测为本类
FN（False Negative，假负）：将好西瓜预测为坏西瓜，错将本类预测为其他类

# 鸢尾花数据集的特点

鸢尾花的特征有4个：
1. Sepal Length（花萼长度）
2. Sepal Width（花萼宽度）
3. Petal Length（花瓣长度）
4. Petal Width（花瓣宽度）

鸢尾花的种类有3种：
1. Iris Setosa（山鸢尾）
2. Iris Versicolour（杂色鸢尾）
3. Iris Virginica（维吉尼亚鸢尾）

	预测为维吉尼亚鸢尾	预测为杂色鸢尾	预测为山鸢尾
实际为维吉尼亚鸢尾	49	1	0
实际为杂色鸢尾	4	46	0
实际为山鸢尾	1	0	49

那么以维吉尼亚鸢尾为例
TP = 49
FP = 4+1 = 5
FN = 1+0 = 1

2、精确率（Precision），召回率（Recall），准确率（Accuracy）

精确率（Precision）

定义：实际的好西瓜数 / 最终预测出来的好西瓜数
公式： $P r e c i s i o n = T P T P + F P Precision = frac{TP}{TP+FP}$
其中TP+FP表示最终预测出来的好西瓜的数量。（将将好西瓜预测为好西瓜+坏西瓜预测为好西瓜）
即当前划分到正样本类别中，被正确分类的比例（即正式正样本所占比例）。

召回率（Recall）

定义：预测为好西瓜且实际是好西瓜的数量 / 实际的好西瓜数
公式： $R e c a l l = T P T P + F N Recall=frac{TP}{TP+FN}$
其中TP+FN为样本总数（将好西瓜预测为好西瓜+预测为坏西瓜）
即TPR，当前分到正样本中真实的正样本所占所有正样本的比例。

准确率（Accuracy）

定义：正确分类的样本数 / 总样本数
公式： $A c c u r a c y = T P + T N T P + T N + F P + F N Accuracy=frac{TP+TN}{TP+TN+FP+FN}$
其中分子为成功分类的个数，分母为所有分类的个数。

3、F1-Score（精确率和召回率的调和平均数）

F1分数（F1-score）是分类问题的一个衡量指标。一些多分类问题的机器学习竞赛，常常将F1-score作为最终测评的方法。它是精确率和召回率的调和平均数，最大为1，最小为0。

Precision和Recall的关系

Precision 和 Recall 的值我们预期是越高越好，因为他们都代表了正确被分类的比例。
但是这两个值在某些场景下是存在互斥的。
比如仅仅取一个样本，并且这个样本也确实是正样本，那么Precision = 1.0，然而 Recall 可能就会比较低（在该样本集中可能存在多个样本）；
相反，如果取所有样本，那么Recall = 1.0，而Precision就会很低了。所以在这个意义上，该两处值需要有一定的约束变量来控制。
所以F-Score就是 Precision和 Recall的加权调和平均：
其中，当 α = 1时，则 F-Score 即为F1：
当有多个类别时，我们对各个类别的F1-Score求均值，就是最后的F1-score

4、P-R Curve（精确率-召回率曲线）

在P-R曲线中，横坐标是recall，纵坐标是precision。下图就是一个P-R曲线的例子：
在这里插入图片描述

5、ROC曲线，AUC面积（FPR - FPR 曲线）

真正率（True Positive Rate, TPR）
公式：TPR = TP / (TP+FN)
定义：表示当前被正确分到正样本中真实的正样本 / 所有正样本的比例；
假正率（False Positive Rate, FPR），即Recall值
公式：FPR = FP / (FP + TN)
定义：表示当前被错误分到正样本类别中真实的负样本 / 所有负样本总数的比例；

在ROC曲线中

横坐标是FPR（假正率），纵坐标是TPR（真正率）。
显然，FPR越低越好，TPR越高越好。
下图就是一个ROC曲线的例子

AUC 即ROC曲线下的面积。

计算方式即为ROC Curve的微积分值。
其物理意义可以表示为：随机给定一正一负两个样本，将正样本排在负样本之前的概率。
因此AUC越大，说明正样本越有可能被排在负样本之前，即分类额结果越好。

ROC和AUC的用处

ROC 可以反映二分类器的总体分类性能，但是无法直接从图中识别出分类最好的阈值，事实上最好的阈值也是视具体的场景所定。
ROC Curve 对应的AUC越大（或者说对于连续凸函数的ROC曲线越接近(0,1) )说明分类性能越好
ROC曲线一定是需要在 y = x之上的，否则就是一个不理想的分类器。

附：代码

from sklearn.datasets import load_iris
from sklearn import tree, svm, datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import label_binarize
from sklearn.multiclass import OneVsRestClassifier
import numpy as np

# 加载数据集
iris = load_iris()
X = iris.data   # 特征
y = iris.target # 标签
n_samples, n_features = X.shape

# 清洗数据集
random_state = np.random.RandomState(0)
X = np.c_[X, random_state.randn(n_samples, 200 * n_features)] # 引入random
y = label_binarize(y, classes=[0, 1, 2]) # 标签二值化, 把yes和no转化为0和1
n_classes = y.shape[1]

# 分割数据集
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.3,random_state=33)

# 引入训练模型
# clf = tree.DecisionTreeClassifier() # 决策树
clf = OneVsRestClassifier(svm.SVC(kernel='linear', probability=True))  # 线性分类svm

# 开始训练
# clf.fit(X_train,y_train)
y_score = clf.fit(X_train, y_train).decision_function(X_test)

# 预测
y_predict=clf.predict(X_test)

# 计算F1-Score值
from sklearn.metrics import classification_report

print(clf.score(X_test,y_test))  # 使用均方误差对其进行打分，输出精确度，输出结果为0.9111, 随机后0.3555
print(classification_report(y_predict,y_test))  # F1-Score

# 输出结果为（012 分别表示3个标签的值）
'''
              precision    recall  f1-score   support

           0       0.64      0.88      0.74         8
           1       0.13      0.29      0.18         7
           2       0.37      0.70      0.48        10

   micro avg       0.36      0.64      0.46        25
   macro avg       0.38      0.62      0.47        25
weighted avg       0.39      0.64      0.48        25
 samples avg       0.36      0.36      0.36        25
'''

# 计算fpr和tpr
from sklearn.metrics import roc_curve, auc
fpr = dict()
tpr = dict()
roc_auc = dict()

# 用一个分类器对应一个类别，每个分类器都把其他全部的类别作为相反类别看待。
for i in range(n_classes):
    fpr[i], tpr[i], _ = roc_curve(y_test[:, i], y_score[:, i]) # 取当前类这一列的实际标签和预测标签
    roc_auc[i] = auc(fpr[i], tpr[i])  # 计算AUC面积

# 绘制ROC曲线
import matplotlib.pyplot as plt

plt.figure()
plt.title("ROC Curve")
plt.xlabel('FPR')
plt.ylabel('TPR')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.0])

plt.plot(fpr[2], tpr[2], color='darkorange', lw=2, label='ROC curve (area = %0.2f)' % roc_auc[2])
plt.legend(loc="lower right")
plt.show()