召回率百科

下面是一个使用sklearn计算准确率、

、

、

的实例：

假设我们有一个二分类问题，我们有一个模型预测结果和相应的真实标签，我们想要计算模型在测试集上的性能指标。

首先，我们需要导入sklearn库和生成一些模拟数据：

 python from sklearn.metrics import accuracy_ score , precision _ score , recall _ score , f1 _ score import numpy as np  # 生成模拟数据 y_true = np.array([0, 1, 0, 1, 0, 1, 1, 0]) y_pred = np.array([0, 1, 1, 1, 0, 0, 1, 0]) 

接着，我们可以使用相应的sklearn函数计算准确率、

、

和

：

 python # 计算准确率 acc = accuracy_ score (y_true, y_pred) print("Accuracy:", acc)  # 计算 精确率 prec = precision _ score (y_true, y_pred) print(" Precision :", prec)  # 计算 召回率 rec = recall _ score (y_true, y_pred) print(" Recall :", rec)  # 计算 F1 score f1 = f1 _ score (y_true, y_pred) print(" F1 score :", f1 ) 

输出结果如下：

 Accuracy: 0.75  Precision : 0.66666  Recall : 0.75  F1 score : 0.11765 

这里，准确率为0.75，表示模型预测正确的样本占测试集样本总数的比例；

为0.67，表示模型预测为正例的样本中有67%的样本是真实的正例；

为0.75，表示模型能够正确地识别出75%的正例；

为0.71，是

和

的调和平均数。

版权声明：

本文来源网络，所有图片文章版权属于原作者，如有侵权，联系删除。

本文网址：https://www.mushiming.com/mjsbk/7620.html