python - sklearn 计算准确率

python - sklearn 计算准确率

因为最近写的分类模型需要性能评价 ，常用的分类性能评价有 准确率、查准率、召回率、F1

分类问题的常用的包 sklearn ，下面对准确率所用的方法进行介绍

召回率 请看另外一篇文章： sklearn 计算召回率

查准率 请看另外一篇文章： sklearn 计算查准率

F1 请看另外一篇文章：sklearn 计算 F1

前提知识

对于我们的二分类问题，会有以下情况：

• 真正例（True Positive，TP）：真实类别为正例，预测类别为正例。
• 假正例（False Positive，FP）：真实类别为负例，预测类别为正例。
• 假负例（False Negative，FN）：真实类别为正例，预测类别为负例。
• 真负例（True Negative，TN）：真实类别为负例，预测类别为负例。

然后可以构建混淆矩阵（Confusion Matrix）如下表所示。

真实类别	预测类别	预测类别
	正例	负例
正例	TP	FN
负例	FP	TN

ACC
$$Acc=(TP+TN)/total$$

1、sklearn.metrics.accuracy_score()方法

方法说明：

sklearn.metrics.accuracy_score(y_true, y_pred, *, normalize=True, sample_weight=None):

参数介绍：

• y_true：真实的标签，即数据集中真实的分类标签情况，是一个1维的数组

• y_pred：预测标签，即模型预测的分类标签情况，是一个1维的数组

• normalize：默认为True，返回正确分类样本的分数，如果“False”，则返回正确分类的样本数

• sample_weight：数组类型，样本的权重

举例：

from sklearn.metrics import accuracy_score

pred = [0, 1, 0, 1]

target = [0, 1, 1, 0]

acc = accuracy_score(pred , target)

print(acc)

====>0.5