python根据4*4的混淆矩阵cm计算查准率、查全率和F1-score

可以使用以下代码来计算查准率、查全率和F1-score：

import numpy as np

cm = np.array([[1, 2, 3, 4],
               [5, 6, 7, 8],
               [9, 10, 11, 12],
               [13, 14, 15, 16]])

# 计算真正例（True Positive）
tp = np.diag(cm)

# 计算假正例（False Positive）
fp = np.sum(cm, axis=0) - tp

# 计算假反例（False Negative）
fn = np.sum(cm, axis=1) - tp

# 计算查准率（Precision）
precision = tp / (tp + fp)

# 计算查全率（Recall）
recall = tp / (tp + fn)

# 计算F1-score
f1_score = 2 * precision * recall / (precision + recall)

print("查准率：", precision)
print("查全率：", recall)
print("F1-score：", f1_score)

请将上述代码中的 `cm` 数组替换为你的混淆矩阵即可。

相关问题

Python代码实现机器学习计算模型预测结果的准确率，错误率，查准率，查全率，F1，ROC和AUC曲线

在Python中，可以使用各种机器学习库和框架来实现模型预测结果的评估指标。以下是一些常用的指标和相应的代码实现示例：

1. 准确率（Accuracy）：预测正确的样本数占总样本数的比例。

from sklearn.metrics import accuracy_score

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

accuracy = accuracy_score(y_true, y_pred)
print("准确率：", accuracy)

2. 错误率（Error Rate）：预测错误的样本数占总样本数的比例。

error_rate = 1 - accuracy
print("错误率：", error_rate)

3. 查准率（Precision）：预测为正例的样本中，真正为正例的比例。

from sklearn.metrics import precision_score

precision = precision_score(y_true, y_pred)
print("查准率：", precision)

4. 查全率（Recall）：真正为正例的样本中，被正确预测为正例的比例。

from sklearn.metrics import recall_score

recall = recall_score(y_true, y_pred)
print("查全率：", recall)

5. F1值（F1 Score）：综合考虑了查准率和查全率的指标，是二者的调和平均值。

from sklearn.metrics import f1_score

f1 = f1_score(y_true, y_pred)
print("F1值：", f1)

6. ROC曲线和AUC（Receiver Operating Characteristic curve and Area Under the Curve）：用于评估二分类模型的性能。ROC曲线是以不同的分类阈值为基础，绘制出真正例率（TPR）和假正例率（FPR）之间的关系曲线。AUC表示ROC曲线下的面积，用于衡量模型的分类能力。

from sklearn.metrics import roc_curve, auc
import matplotlib.pyplot as plt

# 计算预测概率
y_score = [0.2, 0.6, 0.8, 0.3, 0.9]
fpr, tpr, thresholds = roc_curve(y_true, y_score)

# 绘制ROC曲线
plt.plot(fpr, tpr, label='ROC curve (area = %0.2f)' % auc(fpr, tpr))
plt.plot([0, 1], [0, 1], 'k--')  # 绘制对角线
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver Operating Characteristic')
plt.legend(loc='lower right')
plt.show()

# 计算AUC
auc_score = auc(fpr, tpr)
print("AUC：", auc_score)

python数字识别代码 显示查全率 查准率 AUC

以下是一个简单的 Python 数字识别代码，使用了支持向量机（SVM）算法：

import numpy as np
import pandas as pd
from sklearn import svm, metrics
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_digits

# 加载数据集
digits = load_digits()

# 数据集分割成训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(digits.data, digits.target, test_size=0.3)

# 创建SVM分类器
clf = svm.SVC(kernel='linear')

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

# 计算查准率、查全率、F1值和AUC
print("查准率:", metrics.precision_score(y_test, y_pred, average='micro'))
print("查全率:", metrics.recall_score(y_test, y_pred, average='micro'))
print("F1值:", metrics.f1_score(y_test, y_pred, average='micro'))
fpr, tpr, thresholds = metrics.roc_curve(y_test, y_pred, pos_label=2)
print("AUC:", metrics.auc(fpr, tpr))

上述代码使用 `metrics` 模块中的函数来计算查准率、查全率、F1值和AUC。其中，`precision_score` 函数用于计算查准率，`recall_score` 函数用于计算查全率，`f1_score` 函数用于计算F1值，`roc_curve` 函数用于计算 ROC 曲线，`auc` 函数用于计算 AUC。需要注意的是，这里的 `average` 参数选择了 `'micro'`，表示对所有类别进行加权平均。如果想查看每个类别的指标，可以将 `average` 参数设置为 `'macro'`。