1 混淆矩阵
混淆矩阵也称误差矩阵，是表示精度评价的一种标准格式，用n行n列的矩阵形式来表示。在二分类场景里是一个2×2的矩阵，如下图所示：
- TP（True Positive）：真正例，真值和预测值都是正例
- FP（False Positive）：假正例，真值是负例，预测值是正例
- FN（False Negative）：假负例，真值是正例，预测值是负例
- TN（True Negative）：真负例，真值和预测值都是负例
; 2 常见指标
在统计完二分类的结果后，还有一些常见的指标，用于对分类结果进行分析。这些指标包括：
上述指标中，前四个直接通过混淆矩阵的统计结果进行计算即可，最后两个可以画出图来，计算的是曲线面积。对于前四个指标，其定义分别为：
- Accuracy（准确率）：对于给定的测试数据集，分类器正确分类的样本数与总样本数之比。
- Precision（精确率）：预测为正的样本中有多少是真正的正样本，它是针对我们预测结果而言的。Precision又称为查准率。
- Recall（召回率）：样本中的正例有多少被预测正确了， 它是针对我们原来的样本而言的。Recall又称为查全率。
- F1：在上表中，P表示Precision，R表示Recall。F1得分相当于精确率和召回率的调和平均值，其中最佳值为1.0，最差值为0.0。
3 实现代码
下面是混淆矩阵和常见评价指标的计算代码：
import numpy as np
def compute_confusion_matrix(precited,expected):
part = precited ^ expected
pcount = np.bincount(part)
tp_list = list(precited & expected)
fp_list = list(precited & ~expected)
tp = tp_list.count(1)
fp = fp_list.count(1)
tn = pcount[0] - tp
fn = pcount[1] - fp
return tp, fp, tn, fn
def compute_indexes(tp, fp, tn, fn):
accuracy = (tp+tn) / (tp+tn+fp+fn)
precision = tp / (tp+fp)
recall = tp / (tp+fn)
F1 = (2*precision*recall) / (precision+recall)
return accuracy, precision, recall, F1
最后，自己制造一点数据对上述代码进行测试，结果如下：
precited = np.array([1,1,0,0,0,1,0,0,0,0,1,1,0,1,1,0])
expected = np.array([1,0,0,0,1,1,0,1,0,1,1,0,0,0,1,1])
tp, fp, tn, fn = compute_confusion_matrix(precited, expected)
print(f"TP: {tp}")
print(f"FP: {fp}")
print(f"TN: {tn}")
print(f"FN: {fn}")
accuracy, precision, recall, F1 = compute_indexes(tp, fp, tn, fn)
print(f"Accuracy: {accuracy}")
print(f"Precision: {precision}")
print(f"Recall: {recall}")
print(f"F1: {F1}")
TP: 4
FP: 3
TN: 5
FN: 4
Accuracy: 0.5625
Precision: 0.5714285714285714
Recall: 0.5
F1: 0.5333333333333333
参考链接：
二分类器的常用评价指标
(python+离散)实现TP、TN、FP、FN
深度学习中：准确率，精确率，召回率，F1计算方式
Original: https://blog.csdn.net/weixin_44120025/article/details/125024205
Author: zeeq_
Title: 二分类结果评价之TP、FP、TN、FN及准确率、精确率、召回率、F1得分的计算方式和python代码实现
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/731264/
转载文章受原作者版权保护。转载请注明原作者出处！