用三维图像带你深入了解机器学习的f1

对于机器学习的评价指标，你还记得多少？准确率，精确率，召回率？那你还记得f1吗？是不是有点陌生了？

1、基础指标

首先定义以下几个概念：

TP（True Positive）：预测答案正确

FP（False Positive）：错将其他类预测为本类

FN（False Negative）：本类标签预测为其他类标签

TN（True Negative）：其他类标签预测为本类标签

• 准确率
  Accuracy
  定义：(TP+TN)/(TP+FN+FP+TN)
  即所有分类正确的样本占全部样本的比例

• 精确率
  Precision、查准率
  定义：(TP)/(TP+FP)
  即预测是正例的结果中，确实是正例的比例

• 召回率
  Recall、查全率
  定义：(TP)/(TP+FN)
  即所有正例的样本中，被找出的比例

• F1
  F1分数（F1-score）是分类问题的一个衡量指标。一些多分类问题的机器学习竞赛，常常将F1-score作为最终测评的方法。它是精确率和召回率的调和平均数，最大为1，最小为0。
  定义：F1 = 2*（Precision * Recall）/ (Precision + Recall )

• F2
  此外还有F2分数和F0.5分数。F1分数认为召回率和精确率同等重要，F2分数认为召回率的重要程度是精确率的2倍，而F0.5分数认为召回率的重要程度是精确率的一半。计算公式为：
  
  G分数是另一种统一精确率和的召回率系统性能评估标准，G分数被定义为召回率和精确率的几何平均数。
  

2、三维函数图像

f1的三维函数图像

from matplotlib import pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

#定义坐标轴
fig = plt.figure()
ax1 = plt.axes(projection='3d')
#ax = fig.add_subplot(111,projection='3d')  #这种方法也可以画多个子图

# 机器学习中的f1曲线
fig = plt.figure()  #定义新的三维坐标轴
ax3 = plt.axes(projection='3d')
#定义三维数据
xx = np.arange(-5,5,0.5)
yy = np.arange(-5,5,0.5)
pre = np.arange(0,1,0.01)
recall = np.arange(0,1,0.01)
X, Y = np.meshgrid(pre, recall)
Z = 2*X*Y/(X+Y)
#作图
ax3.plot_surface(X,Y,Z,cmap='rainbow')
#ax3.contour(X,Y,Z, zdim='z',offset=-2，cmap='rainbow)   #等高线图，要设置offset，为Z的最小值
plt.show()