Press "Enter" to skip to content

机器学习分类问题:九个常用的评估指标总结

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

 

对机器学习的评估度量是机器学习核心部分,本文总结分类问题常用的请估指标。

 

分类问题评估指标

 

在这里,将讨论可用于评估分类问题预测的各种性能指标。

 

1. Confusion Matrix

 

这是衡量分类问题性能的最简单方法,其中输出可以是两种或更多类型的类。混淆矩阵只不过是一个具有两个维度的表,即“实际”和“预测”,此外,这两个维度都有“真阳性(TP)”、“真阴性(TN)”、“假阳性(FP)”和“假阴性(FN)”,如下所示:

 

 

与混淆矩阵相关的术语解释如下:

真阳(TP)− 当数据点的实际类别和预测类别均为1
真实阴(TN)− 当数据点的实际类和预测类都为0
假阳(FP)− 当数据点的实际类别为0,预测的数据点类别为1
假阴(FN)− 当数据点的实际类别为1,预测的数据点类别为0

我们可以使用sklearn的混淆矩阵函数confusion_matrix,用于计算分类模型混淆矩阵的度量。

 

2. Accuracy

 

它是分类算法最常见的性能度量。它可以被定义为正确预测的数量与所有预测的比率。我们可以通过混淆矩阵,借助以下公式轻松计算:

 

 

我们可以使用sklearn的accuracy_score函数,计算分类模型准确性的指标

 

3. Precision

 

precision定义为ML模型预测结果中:预测正确的正样本数除以所有的预测正样本数:

 

 

4. Recall

 

recall定义为ML模型预测结果中:预测正确的正样本数除以所有的实际正样本数:

 

 

5. Specificity

 

specificity定义为ML模型预测结果中:预测正确的负样本数除以所有的实际负样本数:

 

 

6. Support

 

支持度可定义为每类目标值中相应的样本数。

 

7. F1 Score

 

该分数将为我们提供precision和recall的调和平均值。从数学上讲,F1分数是precision和recall的加权平均值。F1的最佳值为1,最差值为0。我们可以使用以下公式计算F1分数:

 

 

F1分数对precision和recall的相对贡献相等。

 

我们可以使用sklearn的classification_report功能,用于获取分类模型的分类报告的度量。

 

8. AUC (Area Under ROC curve)

 

AUC(曲线下面积)-ROC(接收器工作特性)是基于不同阈值的分类问题性能指标。顾名思义,ROC是一条概率曲线,AUC衡量可分离性。简单地说,AUC-ROC度量将告诉我们模型区分类的能力,AUC越高,模型越好。

 

从数学上讲,可以通过绘制不同阈值下的TPR(真阳性率),即specificity或recall与FPR(假阳性率),下图显示了ROC、AUC,y轴为TPR,x轴为FPR:

 

 

我们可以使用sklearn的roc_auc_score函数,计算AUC-ROC的指标。

 

9. LOGLOSS (Logarithmic Loss)

 

它也称为逻辑回归损失或交叉熵损失。它基本上定义在概率估计上,并测量分类模型的性能,其中输入是介于0和1之间的概率值。

 

通过精确区分,可以更清楚地理解它。正如我们所知,准确度是我们模型中预测的计数(预测值=实际值),而对数损失是我们预测的不确定性量,基于它与实际标签的差异。借助对数损失值,我们可以更准确地了解模型的性能。我们可以使用sklearn的log_loss函数。

 

例子

 

下面是Python中的一个简单方法,它将让我们了解如何在二进制分类模型上使用上述性能指标。

 

from sklearn.metrics import confusion_matrix
from sklearn.metrics import accuracy_score
from sklearn.metrics import classification_report
from sklearn.metrics import roc_auc_score
from sklearn.metrics import log_loss
X_actual = [1, 1, 0, 1, 0, 0, 1, 0, 0, 0]
Y_predic = [1, 0, 1, 1, 1, 0, 1, 1, 0, 0]
results = confusion_matrix(X_actual, Y_predic)
print ('Confusion Matrix :')
print(results)
print ('Accuracy Score is',accuracy_score(X_actual, Y_predic))
print ('Classification Report : ')
print (classification_report(X_actual, Y_predic))
print('AUC-ROC:',roc_auc_score(X_actual, Y_predic))
print('LOGLOSS Value is',log_loss(X_actual, Y_predic))

 

输出:

 

Confusion Matrix :
[
   [3 3]
   [1 3]
]
Accuracy Score is 0.6
Classification Report :
            precision      recall      f1-score       support
      0       0.75          0.50      0.60           6
      1       0.50          0.75      0.60           4
micro avg     0.60          0.60      0.60           10
macro avg     0.62          0.62      0.60           10
weighted avg  0.65          0.60      0.60           10
AUC-ROC:  0.625
LOGLOSS Value is 13.815750437193334

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。