Hướng dẫn calculate precision, recall, f1-score python - tính toán độ chính xác, thu hồi, python điểm f1
Tính độ chính xác, thu hồi, đo F và hỗ trợ cho mỗi lớp. Show Độ chính xác là tỷ lệ Việc thu hồi là tỷ lệ Điểm F-beta có thể được hiểu là trung bình điều hòa có trọng số của độ chính xác và thu hồi, trong đó điểm F-beta đạt giá trị tốt nhất của nó ở mức 1 và điểm tệ nhất ở mức 0. Trọng lượng điểm F-beta thu hồi nhiều hơn độ chính xác của một yếu tố Hỗ trợ là số lần xuất hiện của mỗi lớp trong >>> precision_recall_fscore_support(y_true, y_pred, average=None, ... labels=['pig', 'dog', 'cat']) (array([0. , 0. , 0.66...]), array([0., 0., 1.]), array([0. , 0. , 0.8]), array([2, 2, 2]))0. Nếu >>> precision_recall_fscore_support(y_true, y_pred, average=None, ... labels=['pig', 'dog', 'cat']) (array([0. , 0. , 0.66...]), array([0., 0., 1.]), array([0. , 0. , 0.8]), array([2, 2, 2]))1 và trong phân loại nhị phân, hàm này trả về độ chính xác trung bình, thu hồi và f-đo nếu >>> precision_recall_fscore_support(y_true, y_pred, average=None, ... labels=['pig', 'dog', 'cat']) (array([0. , 0. , 0.66...]), array([0., 0., 1.]), array([0. , 0. , 0.8]), array([2, 2, 2]))2 là một trong số >>> precision_recall_fscore_support(y_true, y_pred, average=None, ... labels=['pig', 'dog', 'cat']) (array([0. , 0. , 0.66...]), array([0., 0., 1.]), array([0. , 0. , 0.8]), array([2, 2, 2]))3, >>> precision_recall_fscore_support(y_true, y_pred, average=None, ... labels=['pig', 'dog', 'cat']) (array([0. , 0. , 0.66...]), array([0., 0., 1.]), array([0. , 0. , 0.8]), array([2, 2, 2]))4, >>> precision_recall_fscore_support(y_true, y_pred, average=None, ... labels=['pig', 'dog', 'cat']) (array([0. , 0. , 0.66...]), array([0., 0., 1.]), array([0. , 0. , 0.8]), array([2, 2, 2]))5 hoặc >>> precision_recall_fscore_support(y_true, y_pred, average=None, ... labels=['pig', 'dog', 'cat']) (array([0. , 0. , 0.66...]), array([0., 0., 1.]), array([0. , 0. , 0.8]), array([2, 2, 2]))6. Đọc thêm trong Hướng dẫn sử dụng.User Guide. Các tham số: Y_TRUE1D giống như mảng hoặc Ma trận chỉ báo nhãn / Ma trận thưa thớt:y_true1d array-like, or label indicator array / sparse matrixSự thật mặt đất (đúng) giá trị mục tiêu. Các mục tiêu ước tính được trả lại bởi một phân loại. BetaFloat, mặc định = 1.0float, default=1.0Sức mạnh của thu hồi so với độ chính xác trong điểm F. LabelsArray-like, default = nonearray-like, default=NoneTập hợp các nhãn bao gồm khi >>> precision_recall_fscore_support(y_true, y_pred, average=None, ... labels=['pig', 'dog', 'cat']) (array([0. , 0. , 0.66...]), array([0., 0., 1.]), array([0. , 0. , 0.8]), array([2, 2, 2]))7 và thứ tự của chúng nếu >>> precision_recall_fscore_support(y_true, y_pred, average=None, ... labels=['pig', 'dog', 'cat']) (array([0. , 0. , 0.66...]), array([0., 0., 1.]), array([0. , 0. , 0.8]), array([2, 2, 2]))8. Các nhãn có trong dữ liệu có thể được loại trừ, ví dụ để tính toán mức trung bình đa lớp bỏ qua một lớp âm tính đa số, trong khi các nhãn không có trong dữ liệu sẽ dẫn đến 0 thành phần ở mức trung bình vĩ mô. Đối với các mục tiêu đa nhãn, nhãn là các chỉ số cột. Theo mặc định, tất cả các nhãn trong >>> precision_recall_fscore_support(y_true, y_pred, average=None, ... labels=['pig', 'dog', 'cat']) (array([0. , 0. , 0.66...]), array([0., 0., 1.]), array([0. , 0. , 0.8]), array([2, 2, 2]))0 và tp / (tp + fp) 0 được sử dụng theo thứ tự được sắp xếp.pos_labelstr hoặc int, mặc định = 1str or int, default=1Lớp để báo cáo nếu >>> precision_recall_fscore_support(y_true, y_pred, average=None, ... labels=['pig', 'dog', 'cat']) (array([0. , 0. , 0.66...]), array([0., 0., 1.]), array([0. , 0. , 0.8]), array([2, 2, 2]))7 sẽ chỉ báo cáo điểm cho nhãn đó.Trung bình {‘nhị phân,‘ micro, ‘macro,‘ mẫu, ’có trọng số}, mặc định = không{‘binary’, ‘micro’, ‘macro’, ‘samples’, ‘weighted’}, default=None Nếu tp / (tp + fp) 5:Chỉ báo cáo kết quả cho lớp được chỉ định bởi >>> precision_recall_fscore_support(y_true, y_pred, average=None, ... labels=['pig', 'dog', 'cat']) (array([0. , 0. , 0.66...]), array([0., 0., 1.]), array([0. , 0. , 0.8]), array([2, 2, 2]))3: Tính toán số liệu trên toàn cầu bằng cách đếm tổng số tích cực thực sự, tiêu cực sai và dương tính sai. >>> precision_recall_fscore_support(y_true, y_pred, average=None, ... labels=['pig', 'dog', 'cat']) (array([0. , 0. , 0.66...]), array([0., 0., 1.]), array([0. , 0. , 0.8]), array([2, 2, 2]))4: Tính toán số liệu cho mỗi nhãn và tìm ý nghĩa không trọng số của chúng. Điều này không tính đến sự mất cân bằng nhãn. >>> precision_recall_fscore_support(y_true, y_pred, average=None, ... labels=['pig', 'dog', 'cat']) (array([0. , 0. , 0.66...]), array([0., 0., 1.]), array([0. , 0. , 0.8]), array([2, 2, 2]))5: Tính toán số liệu cho mỗi nhãn và tìm trọng số trung bình của chúng được hỗ trợ (số lượng phiên bản thực cho mỗi nhãn). Điều này thay đổi ‘macro, để giải thích sự mất cân bằng nhãn; Nó có thể dẫn đến một điểm F không nằm giữa độ chính xác và thu hồi. >>> precision_recall_fscore_support(y_true, y_pred, average=None, ... labels=['pig', 'dog', 'cat']) (array([0. , 0. , 0.66...]), array([0., 0., 1.]), array([0. , 0. , 0.8]), array([2, 2, 2]))6: Tính toán số liệu cho từng trường hợp và tìm mức trung bình của chúng (chỉ có ý nghĩa đối với phân loại đa nhãn trong đó điều này khác với Điều này xác định cảnh báo nào sẽ được đưa ra trong trường hợp chức năng này đang được sử dụng để chỉ trả về một trong các số liệu của nó. sample_weightarray giống như hình dạng (n_samples,), mặc định = không cóarray-like of shape (n_samples,), default=NoneTrọng lượng mẫu. Zero_division Cảnh báo cảnh báo, 0 hoặc 1, mặc định = Cảnh báo cảnh báo đặt giá trị để trả về khi có một bộ phận bằng không:“warn”, 0 or 1, default=”warn”Sets the value to return when there is a zero division:
Nếu được đặt thành cảnh báo cảnh báo, thì điều này hoạt động như 0, nhưng cảnh báo cũng được nêu ra. Trả về: PrecisionFloat (nếu trung bình không phải là không có) hoặc mảng float, hình dạng = [n_unique_labels]:precisionfloat (if average is not None) or array of float, shape = [n_unique_labels]Điểm chính xác. RecallFloat (nếu trung bình không phải là không có) hoặc mảng float, hình dạng = [n_unique_labels]float (if average is not None) or array of float, shape = [n_unique_labels]Điểm nhớ lại. Điểm F-beta. Hỗ trợNone (nếu trung bình không phải là không có) hoặc mảng của int, spape = [n_unique_labels]None (if average is not None) or array of int, shape = [n_unique_labels]Số lần xuất hiện của mỗi nhãn trong >>> precision_recall_fscore_support(y_true, y_pred, average=None, ... labels=['pig', 'dog', 'cat']) (array([0. , 0. , 0.66...]), array([0., 0., 1.]), array([0. , 0. , 0.8]), array([2, 2, 2]))0. Ghi chú Khi Người giới thiệu Ví dụ >>> import numpy as np >>> from sklearn.metrics import precision_recall_fscore_support >>> y_true = np.array(['cat', 'dog', 'pig', 'cat', 'dog', 'pig']) >>> y_pred = np.array(['cat', 'pig', 'dog', 'cat', 'cat', 'dog']) >>> precision_recall_fscore_support(y_true, y_pred, average='macro') (0.22..., 0.33..., 0.26..., None) >>> precision_recall_fscore_support(y_true, y_pred, average='micro') (0.33..., 0.33..., 0.33..., None) >>> precision_recall_fscore_support(y_true, y_pred, average='weighted') (0.22..., 0.33..., 0.26..., None) Có thể tính toán các quy định trên mỗi nhãn, thu hồi, điểm F1 và hỗ trợ thay vì tính trung bình: >>> precision_recall_fscore_support(y_true, y_pred, average=None, ... labels=['pig', 'dog', 'cat']) (array([0. , 0. , 0.66...]), array([0., 0., 1.]), array([0. , 0. , 0.8]), array([2, 2, 2])) Làm thế nào để bạn tính toán độ chính xác của F1 và nhớ lại trong Python?Ví dụ: điểm chính xác và thu hồi hoàn hảo sẽ dẫn đến điểm F-measure hoàn hảo: f-measure = (2 * độ chính xác * nhớ lại) / (độ chính xác + thu hồi) f-measure = (2 * 1.0 * 1.0) / (1.0 + 1.0) f-đo = (2 * 1.0) / 2.0.F-Measure = (2 * Precision * Recall) / (Precision + Recall) F-Measure = (2 * 1.0 * 1.0) / (1.0 + 1.0) F-Measure = (2 * 1.0) / 2.0.
Làm cách nào để tìm điểm thu hồi chính xác F1 của tôi?Ví dụ, độ chính xác là 0,01 và thu hồi 1.0 sẽ cho: giá trị trung bình số học của (0,01+1,0) /2=0.505,7.F1 điểm số (công thức trên) là 2*(0,01*1.0)/(0,01+1.0)= ~ 0,02.an arithmetic mean of (0.01+1.0)/2=0.505, F1-score score (formula above) of 2*(0.01*1.0)/(0.01+1.0)=~0.02.
Điểm F1 được tính toán từ Python Scratch như thế nào?Cách tính điểm F1 trong Python (bao gồm cả ví dụ).. Khi sử dụng các mô hình phân loại trong học máy, một số liệu phổ biến mà chúng tôi sử dụng để đánh giá chất lượng của mô hình là điểm F1 .. Số liệu này được tính là:. Điểm F1 = 2 * (độ chính xác * nhớ lại) / (độ chính xác + thu hồi). where:. Làm thế nào để Python tính điểm chính xác?Độ chính xác là tỷ lệ TP / (TP + FP) trong đó TP là số lượng dương tính thực sự và FP số lượng dương tính giả.Độ chính xác là trực giác khả năng của trình phân loại không gắn nhãn là một mẫu dương tính âm.Giá trị tốt nhất là 1 và giá trị tồi tệ nhất là 0. where tp is the number of true positives and fp the number of false positives. The precision is intuitively the ability of the classifier not to label as positive a sample that is negative. The best value is 1 and the worst value is 0. |