svm多分类python和评价指标

上面已经介绍了SVM多分类的两种方法，接下来介绍一些SVM多分类的常用评价指标。

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, 2, 3]
y_pred = [0, 1, 1, 3]
accuracy_score(y_true, y_pred)

2. 宏平均精确率、召回率和F1值（Macro-average precision, recall and F1-score）：分别计算每个类别的精确率、召回率和F1值，然后对所有类别的指标求平均。适用于各个类别的样本数量差不多的情况。

from sklearn.metrics import precision_score, recall_score, f1_score
y_true = [0, 1, 2, 3]
y_pred = [0, 1, 1, 3]
precision_score(y_true, y_pred, average='macro')
recall_score(y_true, y_pred, average='macro')
f1_score(y_true, y_pred, average='macro')

3. 微平均精确率、召回率和F1值（Micro-average precision, recall and F1-score）：将所有类别的预测结果合并起来，然后计算精确率、召回率和F1值。适用于各个类别的样本数量差异很大的情况。

from sklearn.metrics import precision_score, recall_score, f1_score
y_true = [0, 1, 2, 3]
y_pred = [0, 1, 1, 3]
precision_score(y_true, y_pred, average='micro')
recall_score(y_true, y_pred, average='micro')
f1_score(y_true, y_pred, average='micro')

4. 加权平均精确率、召回率和F1值（Weighted-average precision, recall and F1-score）：计算每个类别的精确率、召回率和F1值，然后根据各个类别的样本数量加权求平均。适用于各个类别的样本数量差不多的情况。

from sklearn.metrics import precision_score, recall_score, f1_score
y_true = [0, 1, 2, 3]
y_pred = [0, 1, 1, 3]
precision_score(y_true, y_pred, average='weighted')
recall_score(y_true, y_pred, average='weighted')
f1_score(y_true, y_pred, average='weighted')

需要注意的是，对于不平衡的多分类问题，仅使用准确率作为评价指标可能会给出误导性的结果。此时可以考虑使用混淆矩阵（Confusion Matrix）来得到更全面的评价结果。