设测试数据集的真实标签是[0, 0, 0, 1, 1, 1, 1, 0],根据模型预测得到的标签是[1, 0, 1, 0, 0, 1, 1, 1],请计算该预测模型的正确率、精准率、召回率、F1分数,并编码实现计算过程
时间: 2023-10-02 14:06:23 浏览: 133
计算过程如下:
首先,将预测标签和真实标签分别表示为二元组 (p_i, y_i),其中 p_i 为模型预测的标签(0或1),y_i 为真实标签(0或1),i 表示数据集中的第 i 个样本。
根据定义,模型的正确率(accuracy)为模型正确预测的样本数占总样本数的比例:
accuracy = (TP + TN) / (TP + FP + TN + FN)
其中,TP 表示真正例(true positive),即预测为正例且真实为正例的样本数;TN 表示真反例(true negative),即预测为反例且真实为反例的样本数;FP 表示假正例(false positive),即预测为正例但真实为反例的样本数;FN 表示假反例(false negative),即预测为反例但真实为正例的样本数。
根据上述计算公式,可得:
TP = 3, TN = 2, FP = 2, FN = 1
因此,
accuracy = (3 + 2) / (3 + 2 + 2 + 1) = 0.5
接下来,计算精准率(precision)、召回率(recall)和 F1 分数(F1-score)。
精准率表示预测为正例的样本中,真正例的比例:
precision = TP / (TP + FP)
根据上述计算公式,可得:
precision = 3 / (3 + 2) = 0.6
召回率表示真正例样本中,被正确预测为正例的比例:
recall = TP / (TP + FN)
根据上述计算公式,可得:
recall = 3 / (3 + 1) = 0.75
F1 分数是精准率和召回率的调和平均数,可以综合评价模型的分类效果:
F1 = 2 * precision * recall / (precision + recall)
根据上述计算公式,可得:
F1 = 2 * 0.6 * 0.75 / (0.6 + 0.75) = 0.6667
因此,该预测模型的正确率为 0.5,精准率为 0.6,召回率为 0.75,F1 分数为 0.6667。
以下是 Python 代码实现:
```python
import numpy as np
# 真实标签和预测标签
y_true = np.array([0, 0, 0, 1, 1, 1, 1, 0])
y_pred = np.array([1, 0, 1, 0, 0, 1, 1, 1])
# 计算 TP,TN,FP,FN
TP = np.sum((y_pred == 1) & (y_true == 1))
TN = np.sum((y_pred == 0) & (y_true == 0))
FP = np.sum((y_pred == 1) & (y_true == 0))
FN = np.sum((y_pred == 0) & (y_true == 1))
# 计算 accuracy、precision、recall、F1 分数
accuracy = (TP + TN) / (TP + FP + TN + FN)
precision = TP / (TP + FP)
recall = TP / (TP + FN)
F1 = 2 * precision * recall / (precision + recall)
print("accuracy: {:.4f}".format(accuracy))
print("precision: {:.4f}".format(precision))
print("recall: {:.4f}".format(recall))
print("F1-score: {:.4f}".format(F1))
```
相关推荐
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)