classification_report分类报告
- 基础知识
- 混淆矩阵（Confusion Matrix）
- TP、TN、FP、FN
- 精度（Precision）
- 准确率（Accuracy）
- 召回率（Recall）
- F1分数（F1-score）
- classification_report分类报告
基础知识
混淆矩阵（Confusion Matrix）
可以看出来类别之间相互误分的情况，查看是否有特定的类别相互混淆，能够帮我们调整后续模型，比如一些类别设置权重衰减。
| 预测为正类别 | 预测为负类别 | |
|---|---|---|
| 实际为正类别 | True Positive (TP) | False Negative (FN) |
| 实际为负类别 | False Positive (FP) | True Negative (TN) |
TP、TN、FP、FN
TP（True Positives）：预测为正类别，并且预测对了
TN（True Negatives）：预测为负类别，而且预测对了
FP（False Positives）：预测为正类别，但是预测错了
FN（False Negatives）：预测为负类别，但是预测错了
精度（Precision）
精确率表示模型预测为正类别的样本中有多少是真正的正类别。
P
r
e
c
i
s
i
o
n
=
T
P
T
P
+
F
P
Precision=\frac{TP}{TP+FP}
Precision=TP+FPTP
准确率（Accuracy）
正确分类的样本占总样本数的比例。
A
c
c
u
r
a
c
y
=
T
P
+
T
N
T
P
+
T
N
+
F
P
+
F
N
Accuracy=\frac{TP+TN}{TP+TN+FP+FN}
Accuracy=TP+TN+FP+FNTP+TN
召回率（Recall）
在所有实际为正类别的样本中，模型能够正确预测为正类别的比例。
R
e
c
a
l
l
=
T
P
T
P
+
F
N
Recall=\frac{TP}{TP+FN}
Recall=TP+FNTP
高召回率意味着模型能够有效地捕捉到实际为正类别的样本。
与Precision的关系：负相关。
F1分数（F1-score）
F1 分数的取值范围是 [0, 1]，越接近 1 表示模型的性能越好，同时考虑到了模型在查准率和查全率之间的平衡。
F
1
=
2
×
(
P
r
e
c
i
s
i
o
n
×
R
e
c
a
l
l
)
P
r
e
c
i
s
i
o
n
+
R
e
c
a
l
l
F1=\frac{2×(Precision×Recall)}{Precision+Recall}
F1=Precision+Recall2×(Precision×Recall)
classification_report分类报告
Python代码中使用“classification_report(Y_test,Y_prediction)”可以查看分类报告，其中Y_test为真实标签、Y_prediction为预测结果。
这里以一个数据量为10大小的二分类为例子，方便手算来理解一遍分类报告。
输入如下Python代码：
from sklearn.metrics import classification_report
Y_test=[0, 0, 0, 0, 0, 1, 1, 1, 1, 1]
Y_prediction=[0, 1, 0, 0, 0, 1, 1, 0, 0, 1]
print(classification_report(Y_test,Y_prediction))
得到该10个数据的二分类的分类报告：
先画个混淆矩阵：
| 预测为1 | 预测为0 | |
|---|---|---|
| 实际为1 | 3 | 2 |
| 实际为0 | 1 | 4 |
给出了每类别对应的精度（Precision）、召回率（Recall）F1分数（F1-score）、真实中有多少个是该类别的（Support）、准确率（Accuracy）、宏平均（macro avg）和加权平均（weighted avg）。
Precision：预测为x的样本中，有多少被正确预测为x。
Precision_0=4/(2+4)=0.67
Precision_1=3/(3+1)=0.75
Recall：实际为x的类别中，有多少预测为x。
Recall_0=3/5=0.60
Recall_1=4/5=0.80
F1分数：2×Precision×Recall /(Precision+Recall)。
Accuracy：全部样本里被分类正确的比例。
Accuracy=7/10
macro avg：上面类别各分数的直接平均。
macro avg_precision=(0.67+0.75)/2=0.71
weighted avg：上面类别各分数的加权（权值为support）平均。
macro avg_precision=(0.675+0.755)/10=0.71
