分类模型的精确率（precision）与召回率（recall）（Python）

• TP：true positive，将正类预测为正类
• FN：false negative，将正类预测为负类
• FP：false positive，将负类预测为正类
• TN：true negative，将负类预测为负类

伪阳性率FPR（False Positive Rate，在真实为阴性的样本中，被误诊为阴性的比率）：

FPR=FPFP+TN

真阳性率TPR（True Positive Rate，在真实为阳性的样本中，被正确诊断为阳性的比率为）：

TPR=TPTP+FN

Precision（精确率）：

P=TPTP+FP

Recall（召回率）：

R=TPTP+FN

F1 score：

2F1=1P+1RF1=2PRP+R

# y_true, y_pred
# TP = (y_pred==1)*(y_true==1)
# FP = (y_pred==1)*(y_true==0)
# FN = (y_pred==0)*(y_true==1)
# TN = (y_pred==0)*(y_true==0)
# TP + FP = y_pred==1
# TP + FN = y_true==1

def precision_score(y_true, y_pred):
    return ((y_true==1)*(y_pred==1)).sum()/(y_pred==1).sum()
def recall_score(y_true, y_pred):
    return ((y_true==1)*(y_pred==1)).sum()/(y_true==1).sum()
def f1_score(y_true, y_pred):
    num = 2*precison_score(y_true, y_pred)*recall_score(y_true, y_pred)
    deno = (precision_score(y_true, y_pred)+recall_score(y_true, y_pred))
    return num/deno