正确率、精确率、召回率介绍+Tensorflow代码实现

1.二分类评价标准介绍

在进行二分类后需要对分类结果进行评价，评价的标准除了常用的正确率之外还有召回率精确度，虚警率和漏警率等。首先介绍一下最常用的正确率

正确率(Accuracy)表示正负样本被正确分类的比例，计算公式如下：

其中$N_{TP}$ 表示正类样本被正确分类的数目，$N_{TN}$表示负类样本被正确分类的数目，$N_{FP}$表示负类样本被分为正类的数目，$N_{FN}$表示正类样本被分为负类的数目。
如下表所示：

• 精确率（Precision）表示原本为正类样本在所有被分为正类样本(正的被分为正的+错的被分为正的)的比例
  

• 召回率（Recall）表示原本为正类样本在原本正类样本(正的被分为正的+正的被分为错的)的比例
  

• 虚警率（False alarm）表示负类样本被分为正类样本在所有负类样本中的比例
  

• 漏警率表示（Missing alarm）表示正类样本被分为负类样本在所有正类样本中的比例
  

2. Tensorflow实现代码

计算公式已经在第一节给出了，代码实现最难的部分不是计算而是对于数据格式的转换。本文背景为，利用保存好的模型在测试集上进行测试，然后对测试集的分分类结果进行评估。建议先看下这篇博客：Tensorflow在训练好的模型上进行测试。

直接上代码，其中函数的predict是预测结果，也就是神经网络的输出，real是真实的标签，sess就是tensorflow当前的会话，feed_dict是需要喂的数据。下面详细讲解一下代码

prediction=tf.matmul(tf.reshape(outputs, [-1, 2 * lstmUnits]), weight) + bias  #注意这里的维度,lstmUnits是双向LSTM隐藏层单元，weight和bias为全连接层权重和偏置，outputs为BiLSTM最后一个输出
labels = tf.placeholder(tf.float32, [batchSize, numClasses])
pred=tf.argmax(prediction, 1)
lab= tf.argmax(labels,1)
#函数tf.argmax()返回值是是数值最大值的索引位置，如果最大值位置相同，则分类正确，反之则分类错误

下面的代码是将上述代码获得到变量设置为元素为0或者1的矩阵，在后面计算的时候只需要按照逻辑与计算即可.

ones_like_actuals = tf.ones_like(lab)
zeros_like_actuals = tf.zeros_like(lab)
ones_like_predictions = tf.ones_like(pred)
zeros_like_predictions = tf.zeros_like(pred)

后面的都是按第一节公式计算的部分

tp_op = tf.reduce_sum(
    tf.cast(
        tf.logical_and(
            tf.equal(lab, ones_like_actuals),
            tf.equal(pred, ones_like_predictions)#zeros_like_predictions多分类，替换tp_op和fp_op 中的ones_like_predictions
        ),
        "float"
    )
)

tn_op = tf.reduce_sum(
    tf.cast(
        tf.logical_and(
            tf.equal(lab, zeros_like_actuals),
            tf.equal(pred, zeros_like_predictions)
        ),
        "float"
    )
)

fp_op = tf.reduce_sum(
    tf.cast(
        tf.logical_and(
            tf.equal(lab, zeros_like_actuals),
            tf.equal(pred, ones_like_predictions)
        ),
        "float"
    )
)

fn_op = tf.reduce_sum(
    tf.cast(
        tf.logical_and(
            tf.equal(lab, ones_like_actuals),
            tf.equal(pred, zeros_like_predictions)
        ),
        "float"
    )
)

完整函数代码

def tf_confusion_metrics(predict, real, session, feed_dict):
    predictions = tf.argmax(predict, 1)
    actuals = tf.argmax(real, 1)
 
    ones_like_actuals = tf.ones_like(actuals)
    zeros_like_actuals = tf.zeros_like(actuals)
    ones_like_predictions = tf.ones_like(predictions)
    zeros_like_predictions = tf.zeros_like(predictions)
 
    tp_op = tf.reduce_sum(
        tf.cast(
            tf.logical_and(
                tf.equal(actuals, ones_like_actuals),
                tf.equal(predictions, ones_like_predictions)
            ),
            "float"
        )
    )
 
    tn_op = tf.reduce_sum(
        tf.cast(
          tf.logical_and(
            tf.equal(actuals, zeros_like_actuals),
            tf.equal(predictions, zeros_like_predictions)
          ),
          "float"
        )
    )
 
    fp_op = tf.reduce_sum(
        tf.cast(
          tf.logical_and(
            tf.equal(actuals, zeros_like_actuals),
            tf.equal(predictions, ones_like_predictions)
          ),
          "float"
        )
    )
 
    fn_op = tf.reduce_sum(
        tf.cast(
          tf.logical_and(
            tf.equal(actuals, ones_like_actuals),
            tf.equal(predictions, zeros_like_predictions)
          ),
          "float"
        )
    )
    tp, tn, fp, fn = session.run([tp_op, tn_op, fp_op, fn_op], feed_dict)
#feed_dict为喂养的数据，比如我这批预测数据为数据是nextBatch, nextBatchLabels = getTestBatch()，nextBatch为数据，而nextBatchLabels 则是数据标签。则 feed_dict={input_data: nextBatch, labels: nextBatchLabels})
    tpr = float(tp)/(float(tp) + float(fn))
    fpr = float(fp)/(float(fp) + float(tn))
    fnr = float(fn)/(float(tp) + float(fn))
    accuracy = (float(tp) + float(tn))/(float(tp) + float(fp) + float(fn) + float(tn))
    recall = tpr
    precision = float(tp)/(float(tp) + float(fp))
    f1_score = (2 * (precision * recall)) / (precision + recall)

计算评价标准的函数不难，难得是调用函数，这部分可以结合：Tensorflow在训练好的模型上进行测试来看。
尊重原创，文章摘自：Tensorflow计算正确率、精确率、召回率、虚警率和漏检率