模型的评价指标：Precision, Recall, F1 Score

版权声明：本文为King_HAW原创文章，未经King_HAW允许不得转载。 https://blog.csdn.net/King_HAW/article/details/79520142

首先考虑对于数据预测结果可能出现的四种情况：

True Positive(TP)：预测为正，实际为正

False Positive(FP):：预测为正，实际为负

False Negative(FN)：预测为负，实际为正

Ture Negative(TN)：预测为负，实际为负

准确率（Precision）定义为：在单类预测结果中，正确的比率，为 P = TP / (TP + FP)。

召回率（Recall）定义为：在单类的样本中，真正预测正确的比率，为 R = TP / (TP + FN)。

F1 Score定义为P和R的综合，定义为 2*TP / (2*TP + FP + FN)。

其实以上的评判标准都可以通过混淆矩阵（Confusion Matrix）计算出来。混淆矩阵的纵坐标为实际标签，横坐标为预测标签。

以下为Python代码实现：

# -*- coding: utf-8 -*-

import numpy as np
from sklearn.metrics import confusion_matrix
from sklearn.metrics import classification_report

# true label and predicted label
Class = 3
y_true = [1, 0, 2, 0, 2, 1, 1, 2, 0]
y_pred = [1, 2, 0, 0, 2, 1, 0, 2, 0]
Precision = np.zeros((3, 1))
Recall = np.zeros((3, 1))
F1 = np.zeros((3, 1))

# confusion_matrix
cm = confusion_matrix(y_pred=y_pred, y_true=y_true)
print(cm)

# precision
for i in range(Class):
    Precision[i] = cm[i, i] / np.sum(cm[:, i])
    print(Precision[i])

# recall
for i in range(Class):
    Recall[i] = cm[i, i] / np.sum(cm[i, :])
    print(Recall[i])

# F1 score
for i in range(Class):
    F1[i] = 2 * cm[i, i] / (np.sum(cm[i, :]) + np.sum(cm[:, i]))
    print(F1[i])

# classification report
cr = classification_report(y_pred=y_pred, y_true=y_true)
print(cr)

最后得到的结果为：

参考文章：

http://blog.csdn.net/matrix_space/article/details/50384518

http://blog.csdn.net/net_wolf_007/article/details/51769020

http://scikit-learn.org/stable/modules/classes.html#module-sklearn.metrics