个人中心
gpt4 book ai didi

使用keras实现Precise, Recall, F1-socre方式

转载 作者：qq735679552 更新时间：2022-09-29 22:32:09 25 4
gpt4 key购买 nike

CFSDN坚持开源创造价值，我们致力于搭建一个资源共享平台，让每一个IT人在这里找到属于你的精彩世界.

这篇CFSDN的博客文章使用keras实现Precise, Recall, F1-socre方式由作者收集整理，如果你对这篇文章有兴趣，记得点赞哟.

实现过程 。

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
from keras import backend as K
def Precision(y_true, y_pred):
  """精确率"""
  tp = K. sum (K. round (K.clip(y_true * y_pred, 0 , 1 ))) # true positives
  pp = K. sum (K. round (K.clip(y_pred, 0 , 1 ))) # predicted positives
  precision = tp / (pp + K.epsilon())
  return precision
 
def Recall(y_true, y_pred):
  """召回率"""
  tp = K. sum (K. round (K.clip(y_true * y_pred, 0 , 1 ))) # true positives
  pp = K. sum (K. round (K.clip(y_true, 0 , 1 ))) # possible positives
  recall = tp / (pp + K.epsilon())
  return recall
 
def F1(y_true, y_pred):
  """F1-score"""
  precision = Precision(y_true, y_pred)
  recall = Recall(y_true, y_pred)
  f1 = 2 * ((precision * recall) / (precision + recall + K.epsilon()))
  return f1

补充知识：分类问题的几个评价指标（Precision、Recall、F1-Score、Micro-F1、Macro-F1） 。

四个基本概念 。

TP、True Positive 真阳性：预测为正，实际也为正 。

FP、False Positive 假阳性：预测为正，实际为负 。

FN、False Negative 假阴性：预测与负、实际为正 。

TN、True Negative 真阴性：预测为负、实际也为负.

【一致判真假，预测判阴阳。】 。

以分类问题为例：（word公式为什么粘不过来？？头疼。） 。

使用keras实现Precise, Recall, F1-socre方式

首先看真阳性：真阳性的定义是“预测为正，实际也是正”，这个最好理解，就是指预测正确，是哪个类就被分到哪个类。对类A而言，TP的个位数为2，对类B而言，TP的个数为2，对类C而言，TP的个数为1.

然后看假阳性，假阳性的定义是“预测为正，实际为负”，就是预测为某个类，但是实际不是。对类A而言，FP个数为0，我们预测之后，把1和2分给了A，这两个都是正确的，并不存在把不是A类的值分给A的情况。类B的FP是2，"3"和"8"都不是B类，但却分给了B，所以为假阳性。类C的假阳性个数为2.

最后看一下假阴性，假阴性的定义是“预测为负，实际为正”，对类A而言，FN为2，"3"和"4"分别预测为B和C，但是实际是A，也就是预测为负，实际为正。对类B而言，FN为1，对类C而言，FN为1.

具体情况看如下表格:

 

A 。

B 。

C 。

总计 。

TP 。

2 。

2 。

1 。

5 。

FP 。

0 。

2 。

2 。

4 。

FN 。

2 。

1 。

1 。

4 。

感谢这两位的指正 。

使用keras实现Precise, Recall, F1-socre方式

精确率和召回率 。

使用keras实现Precise, Recall, F1-socre方式

计算我们预测出来的某类样本中，有多少是被正确预测的。针对预测样本而言.

使用keras实现Precise, Recall, F1-socre方式

针对原先实际样本而言，有多少样本被正确的预测出来了.

套用网上的一个例子:

某池塘有1400条鲤鱼，300只虾，300只鳖。现在以捕鲤鱼为目的。撒一大网，逮着了700条鲤鱼，200只虾，100只鳖。那么，这些指标分别如下:

精确率 = 700 / (700 +200 + 100) = 70% 。

召回率 = 700 / 1400 =50% 。

可以吧上述的例子看成分类预测问题，对于“鲤鱼来说”，TP真阳性为700，FP假阳性为300，FN假阴性为700.

Precison=TP/(TP+FP)=700(700+300)=70% 。

Recall=TP/(TP+FN)=700/(700+700)=50% 。

将上述例子，改变一下：把池子里的所有的鲤鱼、虾和鳖都一网打尽，观察这些指标的变化.

精确率 = 1400 / (1400 +300 + 300) = 70% 。

召回率 = 1400 / 1400 =100% 。

TP为1400：有1400条鲤鱼被预测出来；FP为600：有600个生物不是鲤鱼类，却被归类到鲤鱼；FN为0，鲤鱼都被归类到鲤鱼类去了，并没有归到其他类.

Precision=TP/(TP+FP)=1400/(1400+600)=70% 。

Recall=TP/(TP+FN)=1400/(1400)=100% 。

其实就是分母不同，一个分母是预测为正的样本数，另一个是原来样本中所有的正样本数.

作为预测者，我们当然是希望，Precision和Recall都保持一个较高的水准，但事实上这两者在某些情况下有矛盾的。比如极端情况下，我们只搜索出了一个结果，且是正确的，那么Precision就是100%，但是Recall就很低；而如果我们把所有结果都返回，那么比如Recall是100%，但是Precision就会很低。因此在不同的场合中需要自己判断希望Precision比较高或是Recall比较高，此时我们可以引出另一个评价指标—F1-Score(F-Measure).

F1-Score 。

F1分数（F1 Score），是统计学中用来衡量二分类模型精确度的一种指标。它同时兼顾了分类模型的精确率和召回率。F1分数可以看作是模型精确率和召回率的一种加权平均，它的最大值是1，最小值是0。（出自百度百科） 。

数学定义：F1分数（F1-Score），又称为平衡F分数（BalancedScore），它被定义为精确率和召回率的调和平均数.

使用keras实现Precise, Recall, F1-socre方式

更一般的，我们定义Fβ分数为:

使用keras实现Precise, Recall, F1-socre方式

除了F1分数之外，F0.5分数和F2分数，在统计学中也得到了大量应用，其中，F2分数中，召回率的权重高于精确率，而F0.5分数中，精确率的权重高于召回率.

Micro-F1和Macro-F1 。

最后看Micro-F1和Macro-F1。在第一个多标签分类任务中，可以对每个“类”，计算F1，显然我们需要把所有类的F1合并起来考虑.

这里有两种合并方式:

第一种计算出所有类别总的Precision和Recall，然后计算F1.

例如依照最上面的表格来计算:Precison=5/(5+4)=0.556,Recall=5/(5+4)=0.556，然后带入F1的公式求出F1，这种方式被称为Micro-F1微平均.

第二种方式是计算出每一个类的Precison和Recall后计算F1，最后将F1平均.

例如上式A类：P=2/(2+0)=1.0，R=2/(2+2)=0.5，F1=(2*1*0.5)/1+0.5=0.667。同理求出B类C类的F1，最后求平均值，这种范式叫做Macro-F1宏平均.

本篇完，如有错误，还望指正。 以上这篇使用keras实现Precise, Recall, F1-socre方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持我.

原文链接：https://blog.csdn.net/joleoy/article/details/85787457 。

最后此篇关于使用keras实现Precise, Recall, F1-socre方式的文章就讲到这里了,如果你想了解更多关于使用keras实现Precise, Recall, F1-socre方式的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。

25 4 0
文章推荐： 基于python和flask实现http接口过程解析
文章推荐： 阴阳师妖怪屋山兔阵容怎么搭配 山兔阵容搭配详解
文章推荐： Android在listview添加checkbox实现原理与代码
文章推荐： python实现将pvr格式转换成pvr.ccz的方法
qq735679552
个人简介

我是一名优秀的程序员,十分优秀！

滴滴打车优惠券免费领取
滴滴打车优惠券
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com