scikit-learn - sklearn 如何计算 precision_score 指标？

Question

您好，我正在使用 sklearn，为了更好地理解指标，我遵循了以下 precision_score 示例:

from sklearn.metrics import precision_score
    y_true = [0, 1, 2, 0, 1, 2]

    y_pred = [0, 2, 1, 0, 0, 1]
    print(precision_score(y_true, y_pred, average='macro'))  

我得到的结果如下:

0.222222222222

我了解 sklearn 按照以下步骤计算该结果:

标签 0 的精度是 tp/(tp + fp) = 2/(2 + 1) = 0.66

标签 1 的精度为 0/(0 + 2) = 0

标签 2 的精度为 0/(0 + 1) = 0

最后 sklearn 计算所有三个标签的平均精度: precision = (0.66 + 0 + 0) / 3 = 0.22
如果我们采用以下参数，则会给出此结果:

precision_score(y_true, y_pred, average='macro')

另一方面，如果我们采用这个参数，改变 average='micro' :

precision_score(y_true, y_pred, average='micro') 

然后我们得到:

0.33

如果我们采用 average='weighted':

precision_score(y_true, y_pred, average='weighted')

然后我们得到:

0.22.

当平均参数设置为“加权”或“微”时，我不太明白 sklearn 如何计算这个指标，如果有人能给我一个明确的解释，我真的很感激。

Answer 1

'micro' :

通过将标签指标矩阵的每个元素视为一个标签来全局计算指标。
'macro' :

计算每个标签的指标，并找到它们的未加权平均值。此 不带标签不平衡考虑到。
'weighted' :

计算每个标签的指标，并找到它们的平均值，按支持加权(每个标签的真实实例数) .
'samples' :

计算每个实例的指标，并找到它们的平均值。

http://scikit-learn.org/stable/modules/generated/sklearn.metrics.average_precision_score.html

支持措施:
http://scikit-learn.org/stable/modules/generated/sklearn.metrics.classification_report.html

基本上，类(class)成员资格。

3.3.2.12.接收器操作特性 (ROC)

函数 roc_curve 计算接收器操作特性曲线或 ROC 曲线。引用维基百科:

“接收器操作特性 (ROC)，或简称为 ROC 曲线，是一个图形图，它说明了二元分类器系统在其鉴别阈值变化时的性能。它是通过在各种阈值设置下绘制阳性中真阳性的比例(TPR = 真阳性率)与阴性中的假阳性比例(FPR = 假阳性率)来创建的。 TPR 也称为 灵敏度 ，而 FPR 是 1 减去 特异性或真正的负利率。”

TN/True Negative:病例为阴性且预测为阴性。

TP/True Positive:病例为阳性，预测为阳性。

FN/假阴性:病例为阳性但预测为阴性。

FP/False Positive:案例为阴性但预测为阳性#基本术语

confusion = metrics.confusion_matrix(expected, predicted)
print confusion,"\n"
TN, FP    = confusion[0, 0], confusion[0, 1]
FN, TP    = confusion[1, 0], confusion[1, 1]

print 'Specificity:        ',  round(TN / float(TN + FP),3)*100, "\n"
print 'Sensitivity:        ',  round(TP / float(TP + FN),3)*100, "(Recall)"