在机器学习和数据科学中,准确率(accuracy)、精确率(precision)、召回率(recall)和 F1 分数是常用的性能指标,用于评估分类模型的性能。
1. 准确率(Accuracy):
准确率是模型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, 1, 0, 1, 1]
y_pred = [0, 1, 0, 0, 0, 1]
accuracy = accuracy_score(y_true, y_pred)
print(f"Accuracy: {accuracy}")
2. 精确率(Precision):
精确率是指在预测为正的样本中,实际为正的比例。它关注的是预测为正的样本中真正为正的比例。
from sklearn.metrics import precision_score
precision = precision_score(y_true, y_pred)
print(f"Precision: {precision}")
3. 召回率(Recall):
召回率是指在所有实际为正的样本中,被预测为正的比例。它关注的是实际为正的样本中被正确预测为正的比例。文章来源:https://www.toymoban.com/news/detail-803920.html
from sklearn.metrics import recall_score
recall = recall_score(y_true, y_pred)
print(f"Recall: {recall}")
4. F1 分数:
F1 分数是精确率和召回率的调和平均数,它综合了精确率和召回率的信息。文章来源地址https://www.toymoban.com/news/detail-803920.html
from sklearn.metrics import f1_score
f1 = f1_score(y_true, y_pred)
print(f"F1 Score: {f1}")
到了这里,关于在分类任务中准确率(accuracy)、精确率(precision)、召回率(recall)和 F1 分数是常用的性能指标,如何在python中使用呢?的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!