复习:分类评估指标

1.分类评估方法

1.1 精确率与召回率

1.1.1 混淆矩阵

在分类任务下,预测结果(Predicted Condition)与正确标记(True Condition)之间存在四种不同的组合,构成混淆矩阵(适用于多分类)混淆矩阵.png

1.1.2 精确率(Precision)与召回率(Recall)

  • 精确率:预测结果为正例样本中真实为正例的比例(了解)confusion_matrix1.png
  • 召回率:真实为正例的样本中预测结果为正例的比例(查得全,对正样本的区分能力)confusion_matrix2.png

    1.2 F1-score

    还有其他的评估标准,F1-score,反映了模型的稳健型f1_score.png

1.3 分类评估报告api

  • sklearn.metrics.classification_report(y_true, y_pred, labels=[], target_names=None )
    • y_true:真实目标值
    • y_pred:估计器预测目标值
    • labels:指定类别对应的数字
    • target_names:目标类别名称
      1. ret = classification_report(y_test, y_predict, labels=(2,4), target_names=("良性", "恶性"))
      2. print(ret)
      假设这样一个情况,如果99个样本癌症,1个样本非癌症,不管怎样我全都预测正例(默认癌症为正例),准确率就为99%但是这样效果并不好,这就是样本不均衡下的评估问题

问题:如何衡量样本不均衡下的评估

2 ROC曲线与AUC指标

2.1 TPR与FPR

  • TPR = TP / (TP + FN)
    • 所有真实类别为1的样本中,预测类别为1的比例
  • FPR = FP / (FP + TN)

    • 所有真实类别为0的样本中,预测类别为1的比例

      2.2 ROC曲线

  • ROC曲线的横轴就是FPRate,纵轴就是TPRate,当二者相等时,表示的意义则是:对于不论真实类别是1还是0的样本,分类器预测为1的概率是相等的,此时AUC为0.5ROC.png

    2.3 AUC指标

  • AUC的概率意义是随机取一对正负样本,正样本得分大于负样本的概率

  • AUC的最小值为0.5,最大值为1,取值越高越好
  • AUC=1,完美分类器,采用这个预测模型时,不管设定什么阈值都能得出完美预测。绝大多数预测的场合,不存在完美分类器。
  • 0.5<AUC<1,优于随机猜测。这个分类器(模型)妥善设定阈值的话,能有预测价值。

    最终AUC的范围在[0.5, 1]之间,并且越接近1越好

2.4 AUC计算API

  • from sklearn.metrics import roc_auc_score
    • sklearn.metrics.roc_auc_score(y_true, y_score)
      • 计算ROC曲线面积,即AUC值
      • y_true:每个样本的真实类别,必须为0(反例),1(正例)标记
      • y_score:预测得分,可以是正类的估计概率、置信值或者分类器方法的返回值 ```python

        0.5~1之间,越接近于1约好

        y_test = np.where(y_test > 2.5, 1, 0)

print(“AUC指标:”, roc_auc_score(y_test, y_predict) ```

3 总结

  • AUC只能用来评价二分类
  • AUC非常适合评价样本不平衡中的分类器性能