分类/聚类结果评判指标： TP, TN, FP, FN,purity(纯度),F-scroe(F分数) python实现

Purity：

聚类划分的purity为，其中K是聚类（cluster）的数目，m是整个聚类划分所涉及到的成员个数。

下表是对洛杉矶时报的3204篇文章进行k-means聚类的结果，k=6，label数=6。

python实现：

def purity(cluster, labels, k, label_set):
    p = np.zeros((k, len(label_set)))
    purity = 0
    for i in range(len(cluster)):
        p[int(cluster[i]), label_set.index(labels[i])] += 1

    purity = sum(np.max(p, axis=1))/len(labels)

    return purity

TP, TN, FP, FN

在二分类中：
TP(true positive):分类正确，把原本属于正类的样本分成正类。
TN(true negative):分类正确，把原本属于负类的样本分成负类。
FP(false positive):分类错误，把原本属于负类的错分成了正类。
FN(false negative):分类错误，把原本属于正类的错分成了负类。
后一个字母(N or P )是模型预测的结果，第一个字母(T or N ) 代表的是这个结果的正确与否

Accuracy准确率

准确率也就是正确比例
二分类：
Accuracy = (TN + TP) / (TP + TN + FP + FN)

多分类：
Overall Accuracy：被正确分类的示例在数据集中的比例

ps:不适用于数据集不平衡的时候
例如：分类问题的数据集中本来就有97% 示例是属于X，只有另外3%不属于X，所有示例都被分类成X的时候，准确率很高为97%，但是不代表分类的效果好

Recall 召回率

又称：Sensitivity（灵敏度）, TP Rate , True Positive Rate , Probability。
Recall=TP / (TP + FN)
真正属于X的示例中，成功预测为属于X（TP）的比例。

F-score

指标F-score能够综合考虑Precision和Recall的调和值

（多类）python实现：

def f_score(cluster, labels, label_set):
    TP, TN, FP, FN = 0, 0, 0, 0
    n = len(labels)
    # a lookup table
    for i in range(n):
        if i not in cluster:
            continue
        for j in range(i + 1, n):
            if j not in cluster:
                continue
            same_label = (labels[i] == labels[j])
            same_cluster = (cluster[i] == cluster[j])
            if same_cluster:
                if same_label:
                    TP += 1
                else:
                    FP += 1
            elif same_label:
                FN += 1
            else:
                TN += 1
    precision = TP / (TP + FP)
    recall = TP / (TP + FN)
    fscore = 2 * precision * recall / (precision + recall)
    return fscore, precision, recall, TP + FP + FN + TN

代码及数据下载：https://download.csdn.net/download/SAM2un/12036441