precision、recall、f1score的计算

python计算precision、recall、f1score

一、介绍TP、TN、FP、FN

二分类中，假设只有正类（1）和负类（0）两个类别，True（1）和False（0）分别表示对和错；Positive（1）和Negative（0）表示预测为正类和负类。

TP：预测为Positive并且对了（样本为正类且预测为正类）
TN：预测为Negative并且对了（样本为负类且预测为负类）
FP：预测为Positive但是错了（样本为负类但预测为正类）
FN：预测为Negative但是错了（样本正类但预测为负类）

二、介绍precision、recall、f1score

TP+FP: 预测为Positive并且对了+预测为Positive但是错了=预测为Positive的样本总数
所以，precision表示为：被正确预测的Positive样本 / 被预测为Positive的样本总数

TP+FN： 预测为Positive并且对了+预测为Negative但是错了=实际为Positive的样本总数
所以，recall表示为：被正确预测的Positive样本 / 实际为Positive的样本总数

f1score是调和平均值，precision和recall只要一个比较小的话，f1score的值也会被拉下来：

三、python调用sklearn包实现

from sklearn.metrics import precision_score, recall_score, f1_score

y_true = [0, 1, 0, 1, 0, 1]

y_pred = [0, 0, 0, 1, 0, 1]

print('binary------------')
print("precision: {}".format(precision_score(y_true, y_pred, average='binary')))
print("recall: {}".format(recall_score(y_true, y_pred, average='binary')))
print("f1: {}".format(f1_score(y_true, y_pred, average='binary')))

运行结果：