sklearn计算准确率、精确率、召回率、F1 score实例
时间: 2023-12-11 20:02:26 浏览: 132
下面是一个使用sklearn计算准确率、精确率、召回率、F1 score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、精确率、召回率和F1 score:
```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: 0.6666666666666666
Recall: 0.75
F1 score: 0.7058823529411765
```
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;精确率为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;召回率为0.75,表示模型能够正确地识别出75%的正例;F1 score为0.71,是精确率和召回率的调和平均数。
阅读全文