分类评估方法

1.分类评估方法

1.1 精确率与召回率

1.1.1 混淆矩阵

在分类任务下，预测结果(Predicted Condition)与正确标记(True Condition)之间存在四种不同的组合，构成混淆矩阵(适用于多分类)

1.1.2 精确率(Precision)与召回率(Recall)

• 精确率：预测结果为正例样本中真实为正例的比例（了解）

• 召回率：真实为正例的样本中预测结果为正例的比例（查得全，对正样本的区分能力）

1.2 F1-score

还有其他的评估标准，F1-score，反映了模型的稳健型

---

1.3 分类评估报告api

• sklearn.metrics.classification_report(y_true, y_pred, labels=[], target_names=None )
• • y_true：真实目标值
  • y_pred：估计器预测目标值
  • labels:指定类别对应的数字
  • target_names：目标类别名称
  • return：每个类别精确率与召回率

ret = classification_report(y_test, y_predict, labels=(2,4), target_names=("良性", "恶性"))
print(ret)

假设这样一个情况，如果99个样本癌症，1个样本非癌症，不管怎样我全都预测正例(默认癌症为正例),准确率就为99%但是这样效果并不好，这就是样本不均衡下的评估问题

问题：如何衡量样本不均衡下的评估？

2 ROC曲线与AUC指标

2.1 TPR与FPR

• TPR = TP / (TP + FN)
  • 所有真实类别为1的样本中，预测类别为1的比例
• FPR = FP / (FP + TN)
  • 所有真实类别为0的样本中，预测类别为1的比例

2.2 ROC曲线

• ROC曲线的横轴就是FPRate，纵轴就是TPRate，当二者相等时，表示的意义则是：对于不论真实类别是1还是0的样本，分类器预测为1的概率是相等的，此时AUC为0.5

2.3 AUC指标

• AUC的概率意义是随机取一对正负样本，正样本得分大于负样本得分的概率
• AUC的范围在[0, 1]之间，并且越接近1越好，越接近0.5属于乱猜
• AUC=1，完美分类器，采用这个预测模型时，不管设定什么阈值都能得出完美预测。绝大多数预测的场合，不存在完美分类器。
• 0.5<AUC<1，优于随机猜测。这个分类器（模型）妥善设定阈值的话，能有预测价值。

2.4 AUC计算API

• from sklearn.metrics import roc_auc_score
  • sklearn.metrics.roc_auc_score(y_true, y_score)
    • 计算ROC曲线面积，即AUC值
    • y_true：每个样本的真实类别，必须为0(反例),1(正例)标记
    • y_score：预测得分，可以是正类的估计概率、置信值或者分类器方法的返回值

# 0.5~1之间，越接近于1约好
y_test = np.where(y_test > 2.5, 1, 0)

print("AUC指标：", roc_auc_score(y_test, y_predict)

• AUC只能用来评价二分类
• AUC非常适合评价样本不平衡中的分类器性能

---

3 小结

• 混淆矩阵【了解】
  • 真正例（TP）
  • 伪反例（FN）
  • 伪正例（FP）
  • 真反例（TN）
• 精确率(Precision)与召回率(Recall)【知道】
  • 准确率：（对不对）
    • （TP+TN）/(TP+TN+FN+FP)
  • 精确率 -- 查的准不准
    • TP/(TP+FP)
  • 召回率 -- 查的全不全
    • TP/(TP+FN)
  • F1-score
    • 反映模型的稳健性
• roc曲线和auc指标【知道】
  • roc曲线
    • 通过tpr和fpr来进行图形绘制，然后绘制之后，行成一个指标auc
  • auc
    • 越接近1，效果越好
    • 越接近0，效果越差
    • 越接近0.5，效果就是胡说
  • 注意：
    • 这个指标主要用于评价不平衡的二分类问题