从准确率、召回率、f1-score 计算准确率 - scikit-learn

Question

我犯了一个大错。我将 scikit-learn svm 精度的输出打印为：

str(metrics.classification_report(trainExpected, trainPredict, digits=6))

现在我需要根据以下输出计算精度：

              precision    recall  f1-score   support

1             0.000000  0.000000  0.000000      1259
2             0.500397  1.000000  0.667019      1261
avg / total   0.250397  0.500397  0.333774      2520

是否可以根据这些值计算准确度？

PS：我不想再花一天时间来获取模型的输出。我刚刚意识到这个错误希望我不需要从头开始。

Answer 1

不需要花更多的时间在上面。 metrics module 中包含您需要的所有内容，并且您已经计算了预测值。这是一行更改。

print(metrics.accuracy_score(trainExpected, trainPredict))

我建议您花一些时间阅读链接页面，以了解有关评估模型的更多信息。

我确实认为你手头有一个更大的问题——你的 1 class 的预测值为零，尽管 classes 是平衡的。您可能在必须处理的数据、建模策略或代码中遇到问题。

Answer 2

您可以根据精确度、召回率和 true/false 阳性的数量或您的案例支持来计算准确度（即使由于分子或分母为 0 而精确度或召回率为 0）。

TruePositive+FalseNegative=Support_True
TrueNegative+FalsePositive=Support_False
Precision=TruePositive/(TruePositive+FalsePositive) if TruePositive+FalsePositive!=0 else 0
Recall=TruePositive/(TruePositive+FalseNegative) if TruePositive+FalseNegative!=0 else 0
Accuracy=(TruePositive+TrueNegative)/(TruePositive+TrueNegative+FalsePositive+FalseNegative)

-或- 例如给定 TruePositive/TrueNegative 计数然后：

TPP=TruePositive/Precision=TruePositive+FalsePositive if Precision!=0 and TruePositive!=0 else TPP=0
TPR=TruePositive/Recall=TruePositive+FalseNegative if Recall!=0 and TruePositive!=0 else TPR=0

在上面，当 TruePositive==0 时，如果没有更多关于 FalseNegative/FalsePositive 的信息，则无法进行计算。因此支持更好。

Accuracy=(TruePositive+TrueNegative)/(TPP+TPR-TruePositive+TrueNegative)

但在你的情况下，我们使用召回：

Recall=TruePositive/Support_True if Support_True!=0 else 0
TruePositive=Recall*Support_True, likewise TrueNegative=Recall_False*Support_False in all cases
Accuracy=(Recall*Support_True+Recall_False*Support_False)/(Support_True + Support_False)

在您的情况下 (0*1259+1*1261)/(1259+1261)=0.500397 这正是您在仅预测一个 class 时所期望的结果。在这种情况下，相应的精度分数成为准确度。

就像其他发帖人说的，最好使用图书馆。但是因为这听起来也可能是一个数学问题，所以可以使用它。

从准确率、召回率、f1-score 计算准确率 - scikit-learn

Calculating accuracy from precision, recall, f1-score - scikit-learn

svm

scikit-learn

precision-recall