在混淆矩阵中计算精度和召回率

Question

假设我有一个混淆矩阵，如下所示。如何计算精度和召回率？

原文由 vahideh 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 1

首先，您的矩阵是倒置的。你想安排你的标签，以便在对角线 [(0,0),(1,1),(2,2)] 上设置真阳性，这是你将使用从生成的混淆矩阵找到的安排sklearn 和其他软件包。

一旦我们按照正确的方向对事情进行了排序，我们就可以从 这个答案 中摘录一页并说：

1. True Positives 在对角线上
2. 误报是按列求和。没有对角线
3. 假阴性是按行求和。没有对角线。

\ 然后我们从 sklearn 文档 中获取一些公式来提高精确度和召回率。并将其全部写入代码：

 import numpy as np
cm = np.array([[2,1,0], [3,4,5], [6,7,8]])
true_pos = np.diag(cm)
false_pos = np.sum(cm, axis=0) - true_pos
false_neg = np.sum(cm, axis=1) - true_pos

precision = np.sum(true_pos / (true_pos + false_pos))
recall = np.sum(true_pos / (true_pos + false_neg))

由于我们删除了真阳性来定义 false_positives/negatives 只是为了将它们添加回来……我们可以通过跳过几个步骤来进一步简化：

  true_pos = np.diag(cm)
 precision = np.sum(true_pos / np.sum(cm, axis=0))
 recall = np.sum(true_pos / np.sum(cm, axis=1))

原文由 PabTorre 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 2

我认为你最后不需要总结。不用求和，你的方法是对的；它为每个班级提供精确度和召回率。

如果您打算计算平均精度和召回率，那么您有两个选择：微平均和宏观平均。

在此处阅读更多内容 http://scikit-learn.org/stable/auto_examples/model_selection/plot_precision_recall.html

原文由 gruangly 发布，翻译遵循 CC BY-SA 4.0 许可协议