机器学习基础（十三）之混淆矩阵（精准率和召回率andF1 score）

当数据是极度偏差的话，我们仅仅是靠准确率（account_score）是远远不够的
例如：某癌症的发病率是万分之一，如果我们的样本是10000人，那我们可以直接猜想发病的人是1人，那我们预测的准确率为99.99%。那还有啥意义呢？？？

混淆军阵：TN FP
FN TP
我们只关注为1的数据：
精准率（precision = TP / （FP + TP））：我们预测的有多准
召回率（recall = TP / （FN + TP））：我们只关注为真的预测率

def TN(y_true, y_predict):
    return np.sum( (y_true == 0) & (y_predict == 0) )
    
def FP(y_true, y_predict):
    return np.sum( (y_true == 0) & (y_predict == 1) )
    
def FN(y_true, y_predict):
    return np.sum( (y_true == 1) & (y_predict == 0) )
    
def TP(y_true, y_predict):
    return np.sum( (y_true == 1) & (y_predict == 1) )
    
def cofusion_matrix(y_true, y_predict):
    return np.array([
                    [TN(y_true, y_predict), FP(y_true, y_predict)],
                    [FN(y_true, y_predict), TP(y_true, y_predict)]
    ])
    
def precision(y_true, y_predict):
    return TP(y_true, y_predict) / (TP(y_true, y_predict) + FP(y_true, y_predict))
    
def recall(y_true, y_predict):
    return TP(y_true, y_predict) / (TP(y_true, y_predict) + FN(y_true, y_predict))

#sklearn中的混淆矩阵，精准率和召回率

from sklearn.metrics import confusion_matrix
from sklearn.metrics import precision_score
from sklearn.metrics import recall_score

F1 = 2 * (precision * recall) / ( recall + precision)  这样而已啦