使用sklearn對(duì)多分類(lèi)的每個(gè)類(lèi)別進(jìn)行指標(biāo)評(píng)價(jià)操作
更新時(shí)間：2020年06月11日 14:30:16 作者：山陰少年
這篇文章主要介紹了使用sklearn對(duì)多分類(lèi)的每個(gè)類(lèi)別進(jìn)行指標(biāo)評(píng)價(jià)操作，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧
今天晚上，筆者接到客戶(hù)的一個(gè)需要，那就是：對(duì)多分類(lèi)結(jié)果的每個(gè)類(lèi)別進(jìn)行指標(biāo)評(píng)價(jià)，也就是需要輸出每個(gè)類(lèi)型的精確率（precision），召回率（recall）以及F1值（F1-score）。
對(duì)于這個(gè)需求，我們可以用sklearn來(lái)解決，方法并沒(méi)有難，筆者在此僅做記錄，供自己以后以及讀者參考。
我們模擬的數(shù)據(jù)如下：
y_true = ['北京', '上海', '成都', '成都', '上海', '北京', '上海', '成都', '北京', '上海']
y_pred = ['北京', '上海', '成都', '上海', '成都', '成都', '上海', '成都', '北京', '上海']
其中y_true為真實(shí)數(shù)據(jù)，y_pred為多分類(lèi)后的模擬數(shù)據(jù)。使用sklearn.metrics中的classification_report即可實(shí)現(xiàn)對(duì)多分類(lèi)的每個(gè)類(lèi)別進(jìn)行指標(biāo)評(píng)價(jià)。
示例的Python代碼如下：
# -*- coding: utf-8 -*- from sklearn.metrics import classification_report y_true = ['北京', '上海', '成都', '成都', '上海', '北京', '上海', '成都', '北京', '上海'] y_pred = ['北京', '上海', '成都', '上海', '成都', '成都', '上海', '成都', '北京', '上海'] t = classification_report(y_true, y_pred, target_names=['北京', '上海', '成都']) print(t)
輸出結(jié)果如下：
precision recall f1-score support
北京 0.75 0.75 0.75 4
上海 1.00 0.67 0.80 3
成都 0.50 0.67 0.57 3
accuracy 0.70 10
macro avg 0.75 0.69 0.71 10
weighted avg 0.75 0.70 0.71 10
需要注意的是，輸出的結(jié)果數(shù)據(jù)類(lèi)型為str，如果需要使用該輸出結(jié)果，則可將該方法中的output_dict參數(shù)設(shè)置為T(mén)rue，此時(shí)輸出的結(jié)果如下:
{‘北京': {‘precision': 0.75, ‘recall': 0.75, ‘f1-score': 0.75, ‘support': 4},
‘上海': {‘precision': 1.0, ‘recall': 0.6666666666666666, ‘f1-score': 0.8, ‘support': 3},
‘成都': {‘precision': 0.5, ‘recall': 0.6666666666666666, ‘f1-score': 0.5714285714285715, ‘support': 3},
‘a(chǎn)ccuracy': 0.7,
‘macro avg': {‘precision': 0.75, ‘recall': 0.6944444444444443, ‘f1-score': 0.7071428571428572, ‘support': 10},
‘weighted avg': {‘precision': 0.75, ‘recall': 0.7, ‘f1-score': 0.7114285714285715, ‘support': 10}}
使用confusion_matrix方法可以輸出該多分類(lèi)問(wèn)題的混淆矩陣，代碼如下：
from sklearn.metrics import confusion_matrix y_true = ['北京', '上海', '成都', '成都', '上海', '北京', '上海', '成都', '北京', '上海'] y_pred = ['北京', '上海', '成都', '上海', '成都', '成都', '上海', '成都', '北京', '上海'] print(confusion_matrix(y_true, y_pred, labels = ['北京', '上海', '成都']))
輸出結(jié)果如下：
[[2 0 1] [0 3 1] [0 1 2]]
為了將該混淆矩陣?yán)L制成圖片，可使用如下的Python代碼：
# -*- coding: utf-8 -*-
# author: Jclian91
# place: Daxing Beijing
# time: 2019-11-14 21:52
from sklearn.metrics import confusion_matrix
import matplotlib.pyplot as plt
import matplotlib as mpl
# 支持中文字體顯示, 使用于Mac系統(tǒng)
zhfont=mpl.font_manager.FontProperties(fname="/Library/Fonts/Songti.ttc")
y_true = ['北京', '上海', '成都', '成都', '上海', '北京', '上海', '成都', '北京', '上海']
y_pred = ['北京', '上海', '成都', '上海', '成都', '成都', '上海', '成都', '北京', '上海']
classes = ['北京', '上海', '成都']
confusion = confusion_matrix(y_true, y_pred)
# 繪制熱度圖
plt.imshow(confusion, cmap=plt.cm.Greens)
indices = range(len(confusion))
plt.xticks(indices, classes, fontproperties=zhfont)
plt.yticks(indices, classes, fontproperties=zhfont)
plt.colorbar()
plt.xlabel('y_pred')
plt.ylabel('y_true')
# 顯示數(shù)據(jù)
for first_index in range(len(confusion)):
for second_index in range(len(confusion[first_index])):
plt.text(first_index, second_index, confusion[first_index][second_index])
# 顯示圖片
plt.show()
生成的混淆矩陣圖片如下：
補(bǔ)充知識(shí)：python Sklearn實(shí)現(xiàn)xgboost的二分類(lèi)和多分類(lèi)
二分類(lèi)：
train2.txt的格式如下：
import numpy as np
import pandas as pd
import sklearn
from sklearn.cross_validation import train_test_split,cross_val_score
from xgboost.sklearn import XGBClassifier
from sklearn.metrics import precision_score,roc_auc_score
min_max_scaler = sklearn.preprocessing.MinMaxScaler(feature_range=(-1,1))
resultX = []
resultY = []
with open("./train_data/train2.txt",'r') as rf:
train_lines = rf.readlines()
for train_line in train_lines:
train_line_temp = train_line.split(",")
train_line_temp = map(float, train_line_temp)
line_x = train_line_temp[1:-1]
line_y = train_line_temp[-1]
resultX.append(line_x)
resultY.append(line_y)
X = np.array(resultX)
Y = np.array(resultY)
X = min_max_scaler.fit_transform(X)
X_train,X_test, Y_train, Y_test = train_test_split(X,Y,test_size=0.3)
xgbc = XGBClassifier()
xgbc.fit(X_train,Y_train)
pre_test = xgbc.predict(X_test)
auc_score = roc_auc_score(Y_test,pre_test)
pre_score = precision_score(Y_test,pre_test)
print("xgb_auc_score:",auc_score)
print("xgb_pre_score:",pre_score)
多分類(lèi)：有19種分類(lèi)其中正常0，異常1~18種。數(shù)據(jù)格式如下：
# -*- coding:utf-8 -*-
from sklearn import datasets
from sklearn.multiclass import OneVsRestClassifier
from sklearn.svm import LinearSVC
from sklearn.cross_validation import train_test_split,cross_val_score
from sklearn.svm import SVC
from sklearn.linear_model import LogisticRegression
from xgboost.sklearn import XGBClassifier
import sklearn
import numpy as np
from sklearn.preprocessing import OneHotEncoder
from sklearn.metrics import precision_score,roc_auc_score
min_max_scaler = sklearn.preprocessing.MinMaxScaler(feature_range=(-1,1))
resultX = []
resultY = []
with open("../train_data/train_multi_class.txt",'r') as rf:
train_lines = rf.readlines()
for train_line in train_lines:
train_line_temp = train_line.split(",")
train_line_temp = map(float, train_line_temp) # 轉(zhuǎn)化為浮點(diǎn)數(shù)
line_x = train_line_temp[1:-1]
line_y = train_line_temp[-1]
resultX.append(line_x)
resultY.append(line_y)
X = np.array(resultX)
Y = np.array(resultY)
#fit_transform(partData)對(duì)部分?jǐn)?shù)據(jù)先擬合fit，找到該part的整體指標(biāo)，如均值、方差、最大值最小值等等（根據(jù)具體轉(zhuǎn)換的目的），然后對(duì)該partData進(jìn)行轉(zhuǎn)換transform，從而實(shí)現(xiàn)數(shù)據(jù)的標(biāo)準(zhǔn)化、歸一化等等。。
X = min_max_scaler.fit_transform(X)
#通過(guò)OneHotEncoder函數(shù)將Y值離散化成19維，例如3離散成000000···100
Y = OneHotEncoder(sparse = False).fit_transform(Y.reshape(-1,1))
X_train,X_test, Y_train, Y_test = train_test_split(X,Y,test_size=0.2)
model = OneVsRestClassifier(XGBClassifier(),n_jobs=2)
clf = model.fit(X_train, Y_train)
pre_Y = clf.predict(X_test)
test_auc2 = roc_auc_score(Y_test,pre_Y)#驗(yàn)證集上的auc值
print ("xgb_muliclass_auc:",test_auc2)
以上這篇使用sklearn對(duì)多分類(lèi)的每個(gè)類(lèi)別進(jìn)行指標(biāo)評(píng)價(jià)操作就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。
相關(guān)文章
python爬蟲(chóng)爬取微博評(píng)論案例詳解
這篇文章主要介紹了python爬蟲(chóng)爬取微博評(píng)論，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2019-03-03
這篇文章主要介紹了詳解Python中的序列化與反序列化的使用,針對(duì)pickle和cPickle對(duì)象進(jìn)行了探究,需要的朋友可以參考下2015-06-06
TensorFlow安裝并在Pycharm搭建環(huán)境的詳細(xì)圖文教程
今天動(dòng)手開(kāi)始搭建TensorFlow開(kāi)發(fā)環(huán)境,所以下面這篇文章主要給大家介紹了關(guān)于TensorFlow安裝并在Pycharm搭建環(huán)境的詳細(xì)圖文教程,文中通過(guò)圖文介紹的非常詳細(xì),需要的朋友可以參考下2022-11-11
python學(xué)習(xí)筆記之調(diào)用eval函數(shù)出現(xiàn)invalid syntax錯(cuò)誤問(wèn)題
python是一門(mén)多種用途的編程語(yǔ)言，時(shí)常扮演腳本語(yǔ)言的角色。一般來(lái)說(shuō)，python可以定義為面向?qū)ο蟮哪_本語(yǔ)言，這個(gè)定義把面向?qū)ο蟮闹С趾兔嫦蚰_本語(yǔ)言的角色融合在一起。很多時(shí)候，人們常常喜歡用“腳本”和不是語(yǔ)言來(lái)描述python的代碼文件。2015-10-10
本文主要介紹了opencv去除背景算法的方法比較，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2022-08-08
這篇文章主要介紹了Pycharm如何添加源與添加庫(kù)問(wèn)題,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教
2023-09-09 
pickle和shelve模塊都可以把python對(duì)象存儲(chǔ)到文件中，下面來(lái)看看它們的用法吧
2013-09-09 
這篇文章主要介紹了python操作CouchDB的方法,包括了couchDb庫(kù)安裝、連接服務(wù)器、創(chuàng)建數(shù)據(jù)庫(kù)、查詢(xún)數(shù)據(jù)庫(kù)、遍歷數(shù)據(jù)庫(kù)等常用的操作,非常具有實(shí)用價(jià)值,需要的朋友可以參考下
2014-10-10 
淺談Keras參數(shù) input_shape、input_dim和input_length用法
這篇文章主要介紹了淺談Keras參數(shù) input_shape、input_dim和input_length用法，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧
2020-06-06