在分类问题中，预测准确度如果简单的用预测成功的概率来代表的话，有时候即使得到了99.9%的准确率，也不一定说明模型和算法就是好的，例如癌症问题，假如癌症的发病率只有0.01%，那么如果算法始终给出不得病的预测结果，也能达到很高的准确率
混淆矩阵
二分类问题的混淆矩阵
以癌症为例，0代表未患病，1代表患病，有10000个人：
癌症问题的混淆矩阵
精准率和召唤率
代码实现
#准备数据
import numpy as np
from sklearn import datasets
digits = datasets.load_digits()
X = digits['data']
y = digits['target'].copy()
#手动让digits数据集9的数据偏斜
y[digits['target']==9] = 1
y[digits['target']!=9] = 0
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test = train_test_split(X,y,random_state=666)
log_reg = LogisticRegression()
log_reg.fit(X_train,y_train)
log_reg.score(X_test,y_test)
y_log_predict = log_reg.predict(X_test)def TN(y_true,y_predict):
return np.sum((y_true==0)&(y_predict==0))
TN(y_test,y_log_predict)
def FP(y_true,y_predict):
return np.sum((y_true==0)&(y_predict==1))
FP(y_test,y_log_predict)
def FN(y_true,y_predict):
return np.sum((y_true==1)&(y_predict==0))
FN(y_test,y_log_predict)
def TP(y_true,y_predict):
return np.sum((y_true==1)&(y_predict==1))
TP(y_test,y_log_predict)
#构建混淆矩阵
def confusion_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)]
])
confusion_matrix(y_test,y_log_predict)
#精准率
def precision_score(y_true,y_predict):
tp = TP(y_true,y_predict)
fp = FP(y_true,y_predict)
try:
return tp/(tp+fp)
except:
return 0.0
precision_score(y_test,y_log_predict)
#召回率
def recall_score(y_true,y_predict):
tp = TP(y_true,y_predict)
fn = FN(y_true,y_predict)
try:
return tp/(tp+fn)
except:
return 0.0
recall_score(y_test,y_log_predict)scikitlearn中的精准率和召回率
#构建混淆矩阵
from sklearn.metrics import confusion_matrix
confusion_matrix(y_test,y_log_predict)
#精准率
from sklearn.metrics import precision_score
precision_score(y_test,y_log_predict)调和平均值F1_score
调和平均数具有以下几个主要特点：
①调和平均数易受极端值的影响，且受极小值的影响比受极大值的影响更大。
②只要有一个标志值为0，就不能计算调和平均数。
调用sikit-learn中的f1_score
from sklearn.metrics import f1_score
f1_score(y_test,y_log_predict)
>>> 0.86Precision-Recall的平衡
一般来说，决策边界为theta.T*x_b=0，即计算出p>0.5时分类为1，如果我们手动改变这个threshold，就可以平移这个决策边界，改变精准率和召回率
#该函数可以得到log_reg的预测分数，未带入sigmoid
decsion_scores = log_reg.decision_function(X_test)
#将threshold由默认的0调为5
y_predict2 = decsion_scores>=5.0
precision_score(y_test,y_predict2)
>>> 0.96
recall_score(y_test,y_predict2)
>>> 0.5333333333333333
y_predict2 = decsion_scores>=-5.0
precision_score(y_test,y_predict2)
>>> 0.7272727272727273
recall_score(y_test,y_predict2)
>>> 0.8888888888888888精准率和召回率曲线
可以用precisions-recalls曲线与坐标轴围成的面积衡量模型的好坏
from sklearn.metrics import precision_score
from sklearn.metrics import recall_score
thresholds = np.arange(np.min(decsion_scores),np.max(decsion_scores))
precisions = []
recalls = []
for threshold in thresholds:
y_predict = decsion_scores>=threshold
precisions.append(precision_score(y_test,y_predict))
recalls.append(recall_score(y_test,y_predict))import matplotlib.pyplot as plt
plt.plot(thresholds,precisions)
plt.plot(thresholds,recalls)
plt.show()plt.plot(precisions,recalls)
plt.show()使用scikit-learn绘制Precision-Recall曲线
from sklearn.metrics import precision_recall_curve
precisions,recalls,thresholds = precision_recall_curve(y_test,decsion_scores)
#由于precisions和recalls中比thresholds多了一个元素，因此要绘制曲线，先去掉这个元素
plt.plot(thresholds,precisions[:-1])
plt.plot(thresholds,recalls[:-1])
plt.show()由于scikit-learn中对于shelods的取值和上面用到的不一样，因此曲线图像略有不同
ROC曲线
ROC曲线用于描述TPR和FPR之间的关系
TPR定义
FPR定义
使用sikit-learn绘制ROC
from sklearn.metrics import roc_curve
fprs,tprs,thresholds = roc_curve(y_test,decsion_scores)
plt.plot(fprs,tprs)横轴fpr，纵轴tpr
ROC曲线围成的面积越大，说明模型越好，不过ROC曲线没有Precision-Recall曲线那样对偏斜的数据的敏感性
多分类问题
#这次我们使用所有数据来进行逻辑回归的多分类问题的处理。
X = digits['data']
y = digits['target']
X_train,X_test,y_train,y_test = train_test_split(X,y)
log_reg = LogisticRegression()
log_reg.fit(X_train,y_train)
log_reg.score(X_test,y_test)
>>> 0.9577777777777777scikit-learn中处理多分类问题的准确率
from sklearn.metrics import precision_score
#precision_score函数本身不能计算多分类问题，需要修改average参数
precision_score(y_test,y_predict,average='micro')
>>> 0.9577777777777777多分类问题的混淆矩阵
多分类问题的混淆矩阵解读方式与二分类问题一致，第i行第j列的值就是真值为i、预测值为j的元素的数量
from sklearn.metrics import confusion_matrix
confusion_matrix(y_test,y_predict)
>>> array([[30, 0, 0, 0, 0, 0, 0, 1, 0, 0],
[ 0, 43, 0, 2, 0, 0, 1, 0, 4, 0],
[ 0, 0, 41, 0, 0, 0, 0, 0, 0, 0],
[ 0, 0, 0, 47, 0, 0, 0, 0, 0, 1],
[ 0, 0, 0, 0, 46, 0, 0, 0, 0, 2],
[ 0, 0, 0, 0, 0, 51, 0, 0, 0, 1],
[ 0, 0, 0, 0, 0, 0, 38, 0, 1, 0],
[ 0, 0, 0, 0, 0, 0, 0, 58, 0, 0],
[ 0, 1, 0, 1, 1, 0, 0, 0, 37, 0],
[ 0, 1, 0, 1, 0, 0, 0, 0, 1, 40]], dtype=int64)绘制混淆矩阵
cfm = confusion_matrix(y_test,y_predict)
#cmap参数为绘制矩阵的颜色集合，这里使用灰度
plt.matshow(cfm,cmap=plt.cm.gray)
plt.show()颜色越亮的地方代表数值越高
绘制错误率矩阵
#计算每一行的总值
row_sums = np.sum(cfm,axis=1)
err_matrix = cfm/row_sums
#对err_matrix矩阵的对角线置0，因为这是预测正确的部分，不关心
np.fill_diagonal(err_matrix,0)
err_matrix
>>> array([[0. , 0. , 0. , 0. , 0. ,
0. , 0. , 0.01724138, 0. , 0. ],
[0. , 0. , 0. , 0.04166667, 0. ,
0. , 0.02564103, 0. , 0.1 , 0. ],
[0. , 0. , 0. , 0. , 0. ,
0. , 0. , 0. , 0. , 0. ],
[0. , 0. , 0. , 0. , 0. ,
0. , 0. , 0. , 0. , 0.02325581],
[0. , 0. , 0. , 0. , 0. ,
0. , 0. , 0. , 0. , 0.04651163],
[0. , 0. , 0. , 0. , 0. ,
0. , 0. , 0. , 0. , 0.02325581],
[0. , 0. , 0. , 0. , 0. ,
0. , 0. , 0. , 0.025 , 0. ],
[0. , 0. , 0. , 0. , 0. ,
0. , 0. , 0. , 0. , 0. ],
[0. , 0.02 , 0. , 0.02083333, 0.02083333,
0. , 0. , 0. , 0. , 0. ],
[0. , 0.02 , 0. , 0.02083333, 0. ,
0. , 0. , 0. , 0.025 , 0. ]])plt.matshow(err_matrix,cmap=plt.cm.gray)
plt.show()亮度越高的地方代表错误率越高