分类模型的精确率（precision）与召回率（recall）（Python）

                       

• TP：true positive，将正类预测为正类
• FN：false negative，将正类预测为负类
• FP：false positive，将负类预测为正类
• TN：true negative，将负类预测为负类

伪阳性率FPR（False Positive Rate，在真实为阴性的样本中，被误诊为阴性的比率，在真实为阴性（FP+TN）的样本中，被误诊为阳性（FP）的比值）：

FPR=FPFP+TN  FPR=FPFP+TN

# y_true, y_pred# TP = (y_pred==1)*(y_true==1)# FP = (y_pred==1)*(y_true==0)# FN = (y_pred==0)*(y_true==1)# TN = (y_pred==0)*(y_true==0)# TP + FP = y_pred==1# TP + FN = y_true==1def precision_score(y_true, y_pred):    return ((y_true==1)*(y_pred==1)).sum()/(y_pred==1).sum()def recall_score(y_true, y_pred):    return ((y_true==1)*(y_pred==1)).sum()/(y_true==1).sum()def f1_score(y_true, y_pred):    num = 2*precison_score(y_true, y_pred)*recall_score(y_true, y_pred)    deno = (precision_score(y_true, y_pred)+recall_score(y_true, y_pred))    return num/deno
    
    
    
    

     
     
     
     
1
     
     
     
     
2
     
     
     
     
3
     
     
     
     
4
     
     
     
     
5
     
     
     
     
6
     
     
     
     
7
     
     
     
     
8
     
     
     
     
9
     
     
     
     
10
     
     
     
     
11
     
     
     
     
12
     
     
     
     
13
     
     
     
     
14
     
     
     
     
15
     
     
     
     
16
    
    
    
    

           

再分享一下我老师大神的人工智能教程吧。零基础！通俗易懂！风趣幽默！还带黄段子！希望你也加入到我们人工智能的队伍中来！https://blog.csdn.net/jiangjunshow