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。