python运算精度,python计算效率
1.对于二分类问题的混淆矩阵,样本可分为:
真正:正确判断一个正例为正例。
假阳性:一个反面例子被错误地判断为正面例子。
真反例:一个反例被正确判断为反面例子。
假阴性:一个正例被错误地判断为反例。
设TP,FP,TN,FN分别代表对应的样本数。这四个指标构成了分类结果的混淆矩阵:
结果混淆矩阵正例(预测结果)负例(预测结果)正例(真例)TP(真例)FN(假负例)负例(真例)FP(假正例)TN(真负例)样本总数=TP FP TN FN
2.准确度是正确分类的样本占样本总数的比例:
准确度=(TP TN)/(TP FP TN FN)
3.准确度(precision)指预测为阳性病例的样本与实际阳性病例的比例:
精度=TP/(TP FP)
4.召回率也叫检出率,即真正为阳性病例的样本被正确预测为阳性病例的比例:
召回=TP/(TP FN)
5.ROC ROC的全称是“受试者工作特征”曲线。我们根据机器学习的预测得分结果对样本进行排序,并逐个预测样本的得分作为阳性案例的阈值,计算两个重要指标:真阳性率(TPR)和假阳性率(FPR)。以TPR为纵轴,FPR为横轴,得到“ROC”曲线。
TPR=TP/(TP FN)
FPR=FP/(TN FP)
6.AUC AUC是ROC曲线下的面积
7.计算机编程语言实现将数组作为npimport matplotlib.pyplot作为pltclass性能: 定义一个类,用来分类器的性能度量 def __init__(self,labels,scores,threshold=0.5): :参数标签:数组类型,真实的标签:参数分数:数组类型,分类器的得分:参数阈值:检测阈值 自我。标签=标签本身。分数=自我分数。阈值=阈值自我。db=自我。get _ db()self .TP,自己FP,自我。FN,自我. TN=自我。get _ confusion _ matrix()def精度(自身):“”:返回:正确率返回(自我TP。自我. TN) /(自我TP。自我100 . FN自我100 . FP自我10000万吨)定义预测(自身):"":返回:准确率回归自我. TP /(自己TP。自我. FP)定义召回(自身):"":返回:召回率回归自我. TP /(自己TP。自我. FN) def auc(self): :return: auc值 auc=0 .prev _ x=0 xy _ arr=self。xy_arr中x,y的roc _ coord():if x!=prev _ x:AUC=(x-prev _ x)* y prev _ x=x return AUC def roc _ coord(self): :return:roc坐标 xy_arr=[] tp,fp=0 .0.neg=自我1000万吨自我FP pos=self .东帝汶的网络域名代号自我. FN for I in range(len(self。db)):TP=self。db[I][0]FP=1-self。db[I][0]xy _ arr。append([FP/neg,TP/pos])return xy _ arr def roc _ plot(self): 画大鹏曲线:返回: AUC=self。AUC()xy _ arr=self。ROC _ coord()x=[_ v[0]for _ v in xy _ arr]y=[_ v[1]for _ v in xy _ arr]PLT。标题( ROC曲线(AUC=% . 4f) % AUC PLT . y label(真阳性率)plt.xlabel(假阳性率)plt.plot(x,y)show()def get _ db(self):db=[]for I in range计算混淆矩阵:return:""TP,fp,fn,tn=0 . 0. 0. 0.对于范围内的我(len(self。标签)):如果自己。标签[I]==1和自我。分数[I]=自我。阈值:TP=1 elif自我。标签[I]==0和自我。分数[I]=自我。阈值:fp=1 elif自我。标签[I]==1和自我。自我评分。阈值:fn=1否则:TN=1返回[TP,FP,fn,tn]测试一下:
if _ _ name _ _= _ _ main _ _ :labels=NP。array([1,1,0,1,0,0,0,1,0]) scores=np.array([0.9,0.8,0.7,0.6,0.55,0.54,0.53,0.51,0.5,0.4]) p=性能(标签,分数)ACC=p . accuracy()pre=p . presision()rec=p . recall()print( accuracy结果为:
准确度:0.60精确度:0.56召回率:1.00
郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。