二分类结果评价之TP、FP、TN、FN及准确率、精确率、召回率、F1得分的计算方式和python代码实现 |
您所在的位置：网站首页 › 召回率f1值的含义 › 二分类结果评价之TP、FP、TN、FN及准确率、精确率、召回率、F1得分的计算方式和python代码实现 |
二分类结果评价之TP、FP、TN、FN及准确率、精确率、召回率、F1得分的计算方式和python代码实现
|
1 混淆矩阵
混淆矩阵也称误差矩阵，是表示精度评价的一种标准格式，用n行n列的矩阵形式来表示。在二分类场景里是一个2×2的矩阵，如下图所示： 在统计完二分类的结果后，还有一些常见的指标，用于对分类结果进行分析。这些指标包括： 下面是混淆矩阵和常见评价指标的计算代码： import numpy as np # 计算混淆矩阵 def compute_confusion_matrix(precited,expected): part = precited ^ expected # 对结果进行分类，亦或使得判断正确的为0,判断错误的为1 pcount = np.bincount(part) # 分类结果统计，pcount[0]为0的个数，pcount[1]为1的个数 tp_list = list(precited & expected) # 将TP的计算结果转换为list fp_list = list(precited & ~expected) # 将FP的计算结果转换为list tp = tp_list.count(1) # 统计TP的个数 fp = fp_list.count(1) # 统计FP的个数 tn = pcount[0] - tp # 统计TN的个数 fn = pcount[1] - fp # 统计FN的个数 return tp, fp, tn, fn # 计算常用指标 def compute_indexes(tp, fp, tn, fn): accuracy = (tp+tn) / (tp+tn+fp+fn) # 准确率 precision = tp / (tp+fp) # 精确率 recall = tp / (tp+fn) # 召回率 F1 = (2*precision*recall) / (precision+recall) # F1 return accuracy, precision, recall, F1最后，自己制造一点数据对上述代码进行测试，结果如下： # 测试代码 precited = np.array([1,1,0,0,0,1,0,0,0,0,1,1,0,1,1,0]) expected = np.array([1,0,0,0,1,1,0,1,0,1,1,0,0,0,1,1]) tp, fp, tn, fn = compute_confusion_matrix(precited, expected) print(f"TP: {tp}") print(f"FP: {fp}") print(f"TN: {tn}") print(f"FN: {fn}") accuracy, precision, recall, F1 = compute_indexes(tp, fp, tn, fn) print(f"Accuracy: {accuracy}") print(f"Precision: {precision}") print(f"Recall: {recall}") print(f"F1: {F1}") # 输出结果 TP: 4 FP: 3 TN: 5 FN: 4 Accuracy: 0.5625 Precision: 0.5714285714285714 Recall: 0.5 F1: 0.5333333333333333参考链接： 二分类器的常用评价指标 (python+离散)实现TP、TN、FP、FN 深度学习中：准确率，精确率，召回率，F1计算方式 来源：zeeq_ 您可能感兴趣的内容: yolov5训练结果解析 YOLOV5源码的详细解读 实现影像组学全流程 计算yolov5中detect.py生成图像的mAP YOLOX安装部署使用训练教程以及报错 |
其中：
上述指标中，前四个直接通过混淆矩阵的统计结果进行计算即可，最后两个可以画出图来，计算的是曲线面积。对于前四个指标，其定义分别为：【本文地址】