Hướng dẫn precision python

sklearn.metrics.precision_recall_fscore_support (y_true, y_pred, *, beta = 1.0, nhãn = không Zero_division = 'WARN') [Nguồn] ¶precision_recall_fscore_support(y_true, y_pred, *, beta=1.0, labels=None, pos_label=1, average=None, warn_for=('precision','recall','f-score'), sample_weight=None, zero_division='warn')[source]¶precision_recall_fscore_support(y_true, y_pred, *, beta=1.0, labels=None, pos_label=1, average=None, warn_for=('precision', 'recall', 'f-score'), sample_weight=None, zero_division='warn')[source]¶

Tính độ chính xác, thu hồi, đo F và hỗ trợ cho mỗi lớp.

Nội dung chính Show

Điểm chính xác là gì?
Làm thế nào để bạn tính điểm chính xác?
Độ chính xác của 0,5 có nghĩa là gì?
Điểm chính xác và thu hồi là bao nhiêu?

Độ chính xác là tỷ lệ

>>> 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 trong đó

>>> 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]))

9 là số lượng dương tính thực sự và

>>> 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 Số lượng dương tính giả. Độ chính xác là trực giác khả năng của trình phân loại không gắn nhãn một mẫu âm là dương.

Việc thu hồi là tỷ lệ

>>> 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 trong đó

>>> 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]))

9 là số lượng dương tính thực sự và

>>> 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 Số lượng âm tính sai. Việc thu hồi là trực giác khả năng của trình phân loại để tìm thấy tất cả các mẫu dương.

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

>>> 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]))

>>> 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 có nghĩa là thu hồi và độ chính xác cũng quan trọng như nhau.

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]))

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]))

>>> 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]))

>>> 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]))

Đọc thêm trong Hướng dẫn sử dụng.User Guide.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 matrix:y_true1d array-like, or label indicator array / sparse matrix

Sự thật mặt đất (đúng) giá trị mục tiêu.

Y_PRED1D giống như mảng, hoặc mảng chỉ báo nhãn / ma trận thưa thớt1d array-like, or label indicator array / sparse matrix1d array-like, or label indicator array / sparse matrix

Các mục tiêu ước tính được trả lại bởi một phân loại.

BetaFloat, mặc định = 1.0float, default=1.0float, default=1.0

Sức mạnh của thu hồi so với độ chính xác trong điểm F.

LabelsArray-like, default = nonearray-like, default=Nonearray-like, default=None

Tập 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

>>> 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]))

80 được sử dụng theo thứ tự được sắp xếp.pos_labelstr hoặc int, mặc định = 1str or int, default=1pos_labelstr hoặc int, mặc định = 1str or int, default=1

Lớp 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]))

81 và dữ liệu là nhị phân. Nếu dữ liệu là đa nhãn hoặc đa nhãn, điều này sẽ bị bỏ qua; Cài đặt

>>> 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]))

82 và

>>> 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=NoneTrung bình {‘nhị phân,‘ micro, ‘macro,‘ mẫu, ’có trọng số}, mặc định = không{‘binary’, ‘micro’, ‘macro’, ‘samples’, ‘weighted’}, default=None

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]))

84, điểm số cho mỗi lớp được trả về. Mặt khác, điều này xác định loại trung bình được thực hiện trên dữ liệu:

>>> 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]))

85:

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]))

86. Điều này chỉ áp dụng nếu các mục tiêu (

>>> 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]))

87) là nhị phân.

>>> 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]))

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]))

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]))

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]))

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

>>> 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]))

92).

warn_fortuple hoặc set, để sử dụng nội bộtuple or set, for internal usetuple or set, for internal use

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=Nonearray-like of shape (n_samples,), default=None

Trọng 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:“warn”, 0 or 1, default=”warn”Sets the value to return when there is a zero division:

Nhớ lại: Khi không có nhãn dương
Độ chính xác: Khi không có dự đoán tích cực
F-SCORE: Cả hai

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]: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]float (if average is not None) or array of float, shape = [n_unique_labels]

Điểm nhớ lại.

fbeta_scorefloat (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]float (if average is not None) or array of float, shape = [n_unique_labels]

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]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]))

Ghi chú

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]))

94, độ chính xác là không xác định. 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]))

95, thu hồi là không xác định. Trong các trường hợp như vậy, theo mặc định, số liệu sẽ được đặt thành 0, cũng như điểm F và

>>> 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]))

96 sẽ được nâng lên. Hành vi này có thể được sửa đổi với

>>> 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]))

97.

Người giới thiệu

Ví dụ

>>> 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]))

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]))

Điểm chính xác là gì?

Độ chính xác - Độ chính xác là tỷ lệ của các quan sát tích cực dự đoán chính xác đối với tổng quan sát dương dự đoán.the ratio of correctly predicted positive observations to the total predicted positive observations.the ratio of correctly predicted positive observations to the total predicted positive observations.

Làm thế nào để bạn tính điểm chính xác?

Hãy xem xét một mô hình dự đoán 150 ví dụ cho lớp dương, 95 là chính xác (dương tính thật), có nghĩa là năm đã bị bỏ lỡ (âm tính giả) và 55 không chính xác (dương tính giả).Chúng ta có thể tính toán độ chính xác như sau: độ chính xác = truepositives / (truepositives + falsePositives) độ chính xác = 95 / (95 + 55)Precision = TruePositives / (TruePositives + FalsePositives) Precision = 95 / (95 + 55)Precision = TruePositives / (TruePositives + FalsePositives) Precision = 95 / (95 + 55)

Độ chính xác của 0,5 có nghĩa là gì?

Các tiêu cực thực sự (TNS): 90 Mô hình của chúng tôi có độ chính xác là 0,5, nói cách khác, khi nó dự đoán một khối u là ác tính, nó là chính xác 50% thời gian.when it predicts a tumor is malignant, it is correct 50% of the time.when it predicts a tumor is malignant, it is correct 50% of the time.

Điểm chính xác và thu hồi là bao nhiêu?

Recision Recall là một thước đo hữu ích của sự thành công của dự đoán khi các lớp rất mất cân bằng.Trong truy xuất thông tin, độ chính xác là thước đo kết quả liên quan, trong khi thu hồi là thước đo có bao nhiêu kết quả thực sự có liên quan được trả về.precision is a measure of result relevancy, while recall is a measure of how many truly relevant results are returned.precision is a measure of result relevancy, while recall is a measure of how many truly relevant results are returned.

Hướng dẫn precision python - trăn chính xác

Điểm chính xác là gì?

Làm thế nào để bạn tính điểm chính xác?

Độ chính xác của 0,5 có nghĩa là gì?

Điểm chính xác và thu hồi là bao nhiêu?

Bài Viết Liên Quan

Quảng Cáo

Có thể bạn quan tâm

Toplist được quan tâm

Quảng cáo

Xem Nhiều

Quảng cáo

Chúng tôi

Điều khoản

Trợ giúp

Mạng xã hội