为什么要用精确率和召回率
有这样一个训练集，1000个人参加了结直肠癌CRC的检测，实际有0.5%的人得了CRC（即5个人）。用神经网络算法得到检测这样一个训练集能达到99%的准确率。从数值上判断该算法是不错的，因为只有1%的误差。那么我们是否能应用该算法进行实际生产呢？这是不能的。因为如果误判一个人，对该人造成的影响是巨大的。如果不使用算法，直接预测这1000个人全没有得CRC，发现只有0.5的误差，比神经网络算法还好，这显然说明使用准确率在偏斜类样本集中判断算法好坏是不靠谱的。这时候，就需要使用精确率和召回率来判断了。
ps：偏斜类是指某类样品数量明显大于另一类样品
精确率和召回率
TP（True Positive）: 实际为正类，预测为正类
TN（True Negative）: 实际为正类，预测为负类
FP（False Positive）: 实际为负类，预测为正类
FN（False Negative）: 实际为正类，预测为负类
记忆 ：T读成正确，F读成错误，P读成正类，F读成负类。例如，TP ：正确的预测成正类，那么说明他实际也为正类

从混淆矩阵中得出对应的召回率和精确率在上例中代表的意思：
召回率（recall）为实际有CRC肿瘤的病人中，成功预测有CRC肿瘤的百分比，数值越大越好
精确率（precision）为预测的所有肿瘤病人中，实际上有肿瘤的病人，数值越大越好
这样，对于上面误差为1%的神经网络算法。TP∈ \in∈ [0,1,2,3,4,5] ，取最好的情况，假设5个病人全都预测出，即TP=5；因为1%的误差，则FP=10，FN=0，那么precision=5/(5+10)≈ \approx≈ 0.333…，说明该算法不好。
对于我们刚才那个总是预测病人没有CRC的方法，TP=0，召回率和精准率都是 0，直接排除。

F1值的由来

sklearn中P/R/F1的micro，macro及weighted的算法

from sklearn.metrics import precision_score, recall_score, f1_score, confusion_matrix

1.构建数据集

y_pred = [ 0, 0, 0,1, 1, 1, 1, 1,  2, 2, 2 ]
y_true = [ 0, 1, 0, 1, 1, 2, 2, 2, 1, 0, 2 ]

2.数据集的混淆矩阵

confusion_matrix(y_true, y_pred )

array([[2, 0, 1],
[1, 2, 1],
[0, 3, 1]])

3.数据集的详细报告

print(classification_report(y_true, y_pred))

4.报告中的micro avg：计算总体的TP, FN, FP

p1 = precision(5, 6)
r1 = recall(5, 6)
f1 = F1(p1, r1)
p1, r1, f1

(0.45454545454545453, 0.45454545454545453, 0.45454545454545453)

p1 = precision(5, 6)
r1 = recall(5, 6)
f1 = F1(p1, r1)
p1, r1, f1

(0.45454545454545453, 0.45454545454545453, 0.45454545454545453)

5.对应sklearn

precision_score(y_true, y_pred, average='micro')
recall_score(y_true, y_pred, average='micro')
f1_score(y_true, y_pred, average='micro')

0.45454545454545453

6.报告中的macro avg：各类的precision，recall，f1加和求平均

p0 = precision(2, 1)   # 0 类精确率，TP表示实际为0类预测也为0类，从混淆矩阵中得值为2；
                             # FP表示实际为别类但是却错误的预测成了0类，从混淆矩阵中得值为1。
p1 = precision(2, 3)
p2 = precision(1, 2)
avg_p = (p0 + p1 + p2) / 3
r0 = recall(2, 1)
r1 = recall(2, 2)
r2 = recall(1, 3)
avg_r = (r0 + r1 + r2) / 3
f0 = F1(p0, r0)
f1 = F1(p1, r1)
f2 = F1(p2, r2)
avg_f = (f0 + f1 + f2) / 3
avg_p, avg_r, avg_f

(0.4666666666666666, 0.47222222222222215, 0.46560846560846564)

7.报告中weighted avg :对每一类别的f1_score进行加权平均，权重为各类别数在y_true中所占比例

# y_true中 0类有3个，1类有4个，2类有4个
avg_p = 3/11 *p0 + 4/11*p1 + 4/11*p2
avg_r = 3/11*r0 + 4/11*r1 + 4/11* r2
avg_f = 3/11*f0 +4/11*f1 + 4/11*f2
avg_p, avg_r, avg_f

(0.4484848484848485, 0.4545454545454546, 0.44733044733044736)

8.precision_score，recall_score，f1_score中average='binary’的计算
只适用于二分类，用正类的y=1的TP，FP，FN来计算precision，recall，f1

y_pre = [ 0, 0, 0, 1, 1, 1, 1, 1 ]
y_tru = [ 0, 1, 0, 1, 1, 0, 0, 1 ]
precision_score(y_tru, y_pre, average='binary')

0.6

confusion_matrix(y_tru, y_pre)

array([[2, 2], [1, 3]])

precision(3, 2)

0.6

9.precision和recall的关系

转载链接: https://blog.csdn.net/qq_34964399/article/details/102723241