precision_score, recall_score, f1_score的计算

1 使用numpy计算true positives等

[python]  view plain  copy

1. import numpy as np  
2.   
3. y_true = np.array([0, 1, 1, 0, 1, 0])  
4. y_pred = np.array([1, 1, 1, 0, 0, 1])  
5.   
6. # true positive  
7. TP = np.sum(np.multiply(y_true, y_pred))  
8. print(TP)  
9.   
10. # false positive  
11. FP = np.sum(np.logical_and(np.equal(y_true, 0), np.equal(y_pred, 1)))  
12. print(FP)  
13.   
14. # false negative  
15. FN = np.sum(np.logical_and(np.equal(y_true, 1), np.equal(y_pred, 0)))  
16. print(FN)  
17.   
18. # true negative  
19. TN = np.sum(np.logical_and(np.equal(y_true, 0), np.equal(y_pred, 0)))  
20. print(TN)  

输出结果：

2
2
1
1

2 使用tensorflow计算true positives等

[python]  view plain  copy

1. import tensorflow as tf  
2.   
3. sess = tf.Session()  
4.   
5. y_true = tf.constant([0, 1, 1, 0, 1, 0])  
6. y_pred = tf.constant([1, 1, 1, 0, 0, 1])  
7.   
8. # true positive  
9. TP = tf.reduce_sum(tf.multiply(y_true, y_pred))  
10. print(sess.run(TP))  
11.   
12. # false positive  
13. FP = tf.reduce_sum(tf.cast(tf.logical_and(tf.equal(y_true, 0), tf.equal(y_pred, 1)), tf.int32))  
14. print(sess.run(FP))  
15.   
16. # false negative  
17. FN = tf.reduce_sum(tf.cast(tf.logical_and(tf.equal(y_true, 1), tf.equal(y_pred, 0)), tf.int32))  
18. print(sess.run(FN))  
19.   
20. # true negative  
21. TN = tf.reduce_sum(tf.cast(tf.logical_and(tf.equal(y_true, 0), tf.equal(y_pred, 0)), tf.int32))  
22. print(sess.run(TN))  

输出结果：

2
2
1
1

3 使用sklearn的metrics模块计算precision，recall和f1-score

3.1 数据是list类型

[python]  view plain  copy

1. from sklearn.metrics import precision_score, recall_score, f1_score  
2.   
3. y_true = [0, 1, 1, 0, 1, 0]  
4. y_pred = [1, 1, 1, 0, 0, 1]  
5.   
6. p = precision_score(y_true, y_pred, average='binary')  
7. r = recall_score(y_true, y_pred, average='binary')  
8. f1score = f1_score(y_true, y_pred, average='binary')  
9.   
10. print(p)  
11. print(r)  
12. print(f1score)  

输出结果：

0.5
0.666666666667
0.571428571429

3.2 数据是ndarray类型

扫描二维码关注公众号，回复： 2662420 查看本文章

[python]  view plain  copy

1. from sklearn.metrics import precision_score, recall_score, f1_score  
2. import numpy as np  
3.   
4. y_true = np.array([[0, 1, 1],   
5.                    [0, 1, 0]])  
6. y_pred = np.array([[1, 1, 1],   
7.                    [0, 0, 1]])  
8.   
9. y_true = np.reshape(y_true, [-1])  
10. y_pred = np.reshape(y_pred, [-1])  
11.   
12. p = precision_score(y_true, y_pred, average='binary')  
13. r = recall_score(y_true, y_pred, average='binary')  
14. f1score = f1_score(y_true, y_pred, average='binary')  
15.   
16. print(p)  
17. print(r)  
18. print(f1score)  

输出结果：

0.5
0.666666666667
0.571428571429

转自：http://blog.csdn.net/blythe0107/article/details/75003890