【火炉炼AI】机器学习011-分类模型的评估：准确率，精确率，召回率，F1值 _类别

【火炉炼AI】机器学习011-分类模型的评估：准确率，精确率，召回率， F1值
【本文所使用的库和版本号】:3.5, Numpy 1.14, -learn 0.19,2.2
在前面的（【火炉炼AI】机器学习004-岭回归器的构建和模型评估）中，讲解了回归模型的评估方法，主要有均方误差MSE，解释方差分，R方得分等指标。
同样的，对于分类模型，也有很多评估指标来判断该分类模型是否达到我们的要求，这几个评估指标主要是指：准确率（），精确率（），召回率（），F1值（F1 ）。
1. 指标的基本概念和计算方法 1.1 准确率（）
准确率的定义是：对于给定的测试集，分类模型正确分类的样本数与总样本数之比。举个例子来讲，有一个简单的二分类模型（暂时叫做），专门用于分类苹果和梨，在某个测试集中，有30个苹果+70个梨，这个二分类模型在对这个测试集进行分类的时候，得出该数据集有40个苹果（包括正确分类的25个苹果和错误分类的15个梨）和60个梨（包括正确分类的55个梨和错误分类的5个苹果）。画成矩阵图为：
预测类别1-苹果
预测类别2-梨
实际类别1-苹果
25
实际类别2-梨
15
55
从图中可以看出，行表示该测试集中实际的类别，比如苹果类一共有25+5=30个，梨类有15+55=70个。其中被分类模型正确分类的是该表格的对角线所在的数字。在中，这样一个表格被命名为混淆矩阵（），所以，按照准确率的定义，可以计算出该分类模型在测试集上的准确率为：
即，该分类模型在测试集上的准确率为80% 。
但是，准确率指标并不总是能够评估一个模型的好坏，比如对于下面的情况，假如有一个数据集，含有98个苹果，2个梨，而分类器（暂时叫做）是一个很差劲的分类器，它把数据集的所有样本都划分为苹果，也就是不管输入什么样的样本，该模型都认为该样本是苹果。那么这个表格会是什么样的了？
预测类别1-苹果
预测类别2-梨
实际类别1-苹果
98
实际类别2-梨
则该模型的准确率为98%，因为它正确地识别出来了测试集中的98个苹果，只是错误的把2个梨也当做苹果，所以按照准确率的计算公式，该模型有高达98%的准确率。
可是，这样的模型有意义吗？一个把所有样本都预测为苹果的模型，反而得到了非常高的准确率，那么问题出在哪儿了？只能说准确率不可信。特别是对于这种样品数量偏差比较大的问题，准确率的“准确度”会极大的下降。所以，这时就需要引入其他评估指标评价模型的好坏了。
1.2 精确率（）
精确率的定义是：对于给定测试集的某一个类别，分类模型预测正确的比例，或者说：分类模型预测的正样本中有多少是真正的正样本，其计算公式是：
所以，根据定义，精确率要区分不同的类别，比如上面我们讨论有两个类别，所以要分类来计算各自的精确率。对于上面提到的和分类模型，我们可以分别计算出其精确率：
精确率计算
类别1-苹果
25/(25+15)=62.5%
98/(98+2)=98%
类别2-梨
55/(55+5)=91.7%
0/(0+0)
在很多文章中，都讲到把某一个类别当做正类（），把其他类别当做负类（），然后只关注正类的精确率。但是，有的时候我们不知道哪一个类作为正类更合适，比如此处的二分类问题，我们可以把苹果当做正类，也可以把梨当做正类，两者计算出来的精确率明显是不一样的。
1.3 召回率（）
召回率的定义为：对于给定测试集的某一个类别，样本中的正类有多少被分类模型预测正确，其计算公式为：
同样的，召回率也要考虑某一个类别，比如，下面我们将苹果作为正类，在模型下得到的表格为：
苹果为正类
预测类别1-苹果
预测类别2-梨
实际类别1-苹果
TP=25
FN=5
实际类别2-梨

文章插图
FP=15
TN=55
如果我们将梨作为正类，在模型下得到的表格为：
梨为正类
预测类别1-苹果
预测类别2-梨
实际类别1-苹果
TN=25
FP=5
实际类别2-梨
FN=15
TP=55
同样的，可以计算出上面两个模型对给定测试集的召回率，如下表所示：
召回率计算
类别1-苹果
25/(25+5)=83.3%
98/(98+0)=100%
类别2-梨
55/(55+15)=78.6%
0/(0+2)=0%
1.4 F1值（F1-）
在理想情况下，我们希望模型的精确率越高越好，同时召回率也越高越高，但是，现实情况往往事与愿违，在现实情况下，精确率和召回率像是坐在跷跷板上一样，往往出现一个值升高，另一个值降低，那么，有没有一个指标来综合考虑精确率和召回率了，这个指标就是F值。F值的计算公式为：
式中：P: ， R: , a：权重因子。
当a=1时，F值便是F1值，代表精确率和召回率的权重是一样的，是最常用的一种评价指标。F1的计算公式为：
所以根据上面的精确率和召回率，可以轻松的计算出这两个模型的F1值：
F1值计算
类别1-苹果
2*62.5%*83.3%/(62.5%+83.3%)=71.4%
99.0%
类别2-梨
2*91.7%*78.6%/(91.7%+78.6%)=84.6%
0%
2. 用计算精确率，召回率，F1值
上面第一部分，我们都是手动计算出每种分类模型的各种评价指标，但是上帝告诉我们，他已经帮我们造好了轮子，我们只需要直接调用即可。废话少说，直接把计算这些评价指标的代码贴过来：
2.1 用计算分类结果的混淆矩阵

# 假如有一个模型在测试集上得到的预测结果为：y_true = [1, 0, 0, 2, 1, 0, 3, 3, 3] # 实际的类别y_pred = [1, 1, 0, 2, 1, 0, 1, 3, 3] # 模型预测的类别# 使用sklearn 模块计算混淆矩阵from sklearn.metrics import confusion_matrixconfusion_mat = confusion_matrix(y_true, y_pred)print(confusion_mat) #看看混淆矩阵长啥样

[[2 1 0 0]
[0 2 0 0]
【【火炉炼AI】机器学习011-分类模型的评估：准确率，精确率，召回率，F1值】[0 0 1 0]
[0 1 0 2]]
其实这个矩阵的产生过程很简单，比如实际类别是3（=3）一共有三个样本，其中两个预测正确，一个预测错误成1，结果如表格所示：
预测类别0
预测类别1
预测类别2
预测类别3
实际类别0
实际类别1
实际类别2
实际类别3
2.2 混淆矩阵可视化
上面虽然把混淆矩阵打印出来了，但是结果很难直接观察对比，下面将混淆矩阵可视化为图表，便于观察。

def plot_confusion_matrix(confusion_mat):'''''将混淆矩阵画图并显示出来'''plt.imshow(confusion_mat, interpolation='nearest', cmap=plt.cm.gray)plt.title('Confusion matrix')plt.colorbar()tick_marks = np.arange(confusion_mat.shape[0])plt.xticks(tick_marks, tick_marks)plt.yticks(tick_marks, tick_marks)plt.ylabel('True label')plt.xlabel('Predicted label')plt.show()plot_confusion_matrix(confusion_mat)

文章插图
2.3 打印模型的性能报告
模块中已经有成熟的对于模型评估的性能报告，里面已经集成了分类模型的精确率，召回率和F1值信息，可以说，是我们分析模型的必备良器。

# 打印该模型的性能报告# 直接使用sklearn打印精度，召回率和F1值from sklearn.metrics import classification_reporttarget_names = ['Class-0', 'Class-1', 'Class-2', 'Class-3']print(classification_report(y_true, y_pred, target_names=target_names))

f1-score
Class-0 1.00 0.67 0.80 3
Class-1 0.50 1.00 0.67 2
Class-2 1.00 1.00 1.00 1
Class-3 1.00 0.67 0.80 3
avg / total 0.89 0.78 0.79 9
这个性能报告表中的评估指标的计算方法如前面第一节讲述的，比如对于,对于, =TP/(TP+FP)=2/(2+1+0+1)=0.50，而对于: =1/（1+0+0+0）=1.0.
对于的计算方法，比如，对于=TP/(TP+FN)=2/(2+1+0+0)=0.67.所以可以看出，的算法是在混淆矩阵的纵向上运算，而的算法是在混淆矩阵的横向上运算。
F1-score的计算便是直接套用公式即可。后面的是真实的各个类别的样本数量。
小结： 1 ，中已经有成熟的方法可以直接计算混淆矩阵和打印性能报告，这些函数对于模型的评估非常有帮助。2，精确率，召回率，F1值的计算其实很简单，只要弄明白各自对应的公式，弄明白公式所代表的具体含义即可。
3. 评估朴素贝叶斯多分类模型
在文章【火炉炼AI】机器学习010-用朴素贝叶斯分类器解决多分类问题中我们使用了高斯朴素贝叶斯分类器构建了一个多分类模型，将该数据集成功分成了四个类别，貌似结果很不错，可是该文章没有提高用可以量化的性能指标来评估该分类模型的好坏。此处我们可以用上面讲到的各种评价指标来评估该分类模型。
3.1 用交叉验证检验模型的准确性
先加载数据集，然后划分为train set 和。构建朴素贝叶斯分类模型，用进行训练，然后用中的来输出该分类模型在test set上的整体表现，代码如下：

# 评估朴素贝叶斯多分类模型# 1，准备数据集data_path='D:\PyProjects\DataSet/NaiveBayers/data_multivar.txt'df=pd.read_csv(data_path,header=None)dataset_X,dataset_y=df.iloc[:,:-1],df.iloc[:,-1]dataset_X=dataset_X.valuesdataset_y=dataset_y.values# 将整个数据集划分为train set和test setfrom sklearn.cross_validation import train_test_splittrain_X, test_X, train_y, test_y=train_test_split(dataset_X,dataset_y,test_size=0.25,random_state=42)# 构建朴素贝叶斯分类模型from sklearn.naive_bayes import GaussianNBgaussianNB_new=GaussianNB()gaussianNB_new.fit(train_X,train_y)# 2 用交叉验证来检验模型的准确性，只是在test set上验证准确性from sklearn.cross_validation import cross_val_scorenum_validations=5accuracy=cross_val_score(gaussianNB_new,test_X,test_y,scoring='accuracy',cv=num_validations)print('准确率：{:.2f}%'.format(accuracy.mean()*100))precision=cross_val_score(gaussianNB_new,test_X,test_y,scoring='precision_weighted',cv=num_validations)print('精确度：{:.2f}%'.format(precision.mean()*100))recall=cross_val_score(gaussianNB_new,test_X,test_y,scoring='recall_weighted',cv=num_validations)print('召回率：{:.2f}%'.format(recall.mean()*100))f1=cross_val_score(gaussianNB_new,test_X,test_y,scoring='f1_weighted',cv=num_validations)print('F1值：{:.2f}%'.format(f1.mean()*100))

准确率：99.00%
精确度：99.17%
召回率：99.00%
F1 值：98.97%
3.2 查看该模型在测试集上的混淆矩阵和性能报告
直接上代码，没什么好讲的。

# 使用sklearn 模块计算混淆矩阵y_pred=gaussianNB_new.predict(test_X)confusion_mat = confusion_matrix(test_y, y_pred)print(confusion_mat) #看看混淆矩阵长啥样print('*'*50)# 打印该模型的性能报告# 直接使用sklearn打印精度，召回率和F1值target_names = ['Class-0', 'Class-1', 'Class-2', 'Class-3']print(classification_report(test_y, y_pred, target_names=target_names))

[[27 0 0 0]
[ 0 18 0 0]
[ 0 0 33 0]
[ 0 0 0 22]]
**************************************************
f1-score
Class-0 1.00 1.00 1.00 27
Class-1 1.00 1.00 1.00 18
Class-2 1.00 1.00 1.00 33
Class-3 1.00 1.00 1.00 22
avg / total 1.00 1.00 1.00 100
小结： 1 ，对于朴素贝叶斯解决这里的多分类问题，从模型检测结果可以看出，该分类器可以很好地将这个数据集的四个类别区分开来，得到的准确率，精确率，召回率，F1值等都比较好。2，该分类器在测试集上的混淆矩阵都只有TP，没有FP或FN ，表明该分类器可以100%的将这测试集中的四个类别区分开来。3，在交叉验证时，得到的结果并不是100%，而是99%以上，原因很有可能是交叉验证是采用多步验证来计算这些指标，评估得到的结果可能更可靠一些。注：本部分代码已经全部上传到（我的）上，欢迎下载。
参考：Python机器学习经典实例，Prateek Joshi著，陶俊杰，陈小莉译