【机器学习】二分类问题中的混淆矩阵、准确率、召回率等 (Python代码实现)

混淆矩阵

混淆矩阵（Confusion Matrix）：将分类问题按照真实情况与判别情况两个维度进行归类的一个矩阵，如在二分类问题中就是一个2*2的矩阵：

• TP（True Positive）:表示实际为真预测为真
• FP（False Positive）:表示实际为假预测为真 (漏报)
• TN（True Negative）:表示实际为真预测为真
• FN（False Negative）:表示实际为假预测为假 (误报)

召回率与准确率

召回率 = TP/(TP+FN)
准确率 = TP/(TP+FP)

一个池塘有10条鱼和20只小龙虾，渔夫打鱼，捞上8条鱼和12只龙虾，那么召回率为8/10=80%,准确率为8/(8+12)=40% —《Web安全之强化学习与GAN》

准确度Accuracy

准确度Acc是对检测结果的均衡评价，是全体预测正确按整个样本的比例：
$$准确度=\frac{TP+TN}{TP+TN+FP+FN}$$

sklearn代码示例

pip install scikit-learn==0.24.2

from sklearn import metrics # sklearn==0.24.2
import numpy as np

test_Y =    np.array([0,0,1,0,0,1,0,1,1,0]) # 测试集的标签
predict_Y = np.array([1,0,1,0,0,0,0,1,0,0]) # 预测值

confusion_matrix = metrics.confusion_matrix(test_Y,predict_Y)       # 混淆矩阵（注意与上面示例的混淆矩阵的图位置并不一一对应）
tn, fp, fn, tp = metrics.confusion_matrix(test_Y,predict_Y).ravel() # 混淆矩阵各值
recall_score = metrics.recall_score(test_Y,predict_Y)               # 召回率
pre_score = metrics.precision_score(test_Y,predict_Y)               # 准确率
ACC = metrics.accuracy_score(test_Y,predict_Y)                      # 准确度ACC

print(confusion_matrix)
print(tn, fp, fn, tp)
print(recall_score)
print(pre_score)
print(ACC)

[[5 1]
 [2 2]]
5 1 2 2
0.5
0.6666666666666666
0.7