混淆矩阵、精准率、召回率！Python中有这些词汇嘛？陌生就对了！

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

scikitlearn中的精准率和召回率

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

Precision-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

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

使用scikit-learn绘制Precision-Recall曲线

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

scikit-learn中处理多分类问题的准确率

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

颜色越亮的地方代表数值越高

绘制错误率矩阵

plt.matshow(err_matrix,cmap=plt.cm.gray)plt.show()

亮度越高的地方代表错误率越高

那么你看懂了嘛