Scikit-learn 召回率和准确率

Question

我想了解 scikit-learn 的记起和精确工作。这是documentation。

因此，精度公式为：tp / (tp + fp) 和召回公式：tp / (tp + fn)。 tp = 真阳性，fp = 假阳性，fn = 假阴性。

让我们用一个例子来说明这一点：99 名患者健康，1 名患者生病。

示例 1：分类器决定 100 名患者中的每个人都是健康的。在这种情况下：

精度：99 / (99 + 1) = 0,9

召回：99 / (99 + 0) = 1

示例 2：100 名患者中的每一名都被归类为患病：

精度：0 / (0 + 0) = n.d.

回忆：0 / (0 + 99) = 0

我在这个 book 中找到了关于精度和召回率的另一种解释：

精度是模型报告的正确检测的比例，而召回是检测到的真实事件的比例。一个说没有人患有这种疾病的检测器将实现完美的精确度，但召回率为零。

示例 1 就是这种情况，对吗？没有人得病，说明大家都健康。完美的精度意味着 1，但在我的计算中它是 0.9。错误在哪里？还有为什么0召回？

一个说每个人都患有这种疾病的检测器将实现完美的召回，但精确度等于患有这种疾病的人的百分比（在我们的示例中，只有百万分之一的人患有这种疾病，精度为 0.0001%）。

这是示例 2：每个人都生病了。 precision 怎么能有除 undefined 以外的其他值呢？我计算的recall是0，这个例子怎么会是1呢？

Answer 1

您需要在这里做出的第一个也是最重要的决定是您的正面课程。

在指定的用例中，检测病人更有意义，因此从逻辑上讲，正类应该生病，因此负类变得健康（是的，这有点违反直觉).

现在，考虑到这一背景，混淆矩阵 (C-M) 将如下所示：

因此，如果所有人都被确定为健康，则 C-M 将如下所示：

现在， 可以根据问题中发布的公式计算精度和召回率。

精度 = TP/(TP+FP) = 0/(0+1) = 0

召回 = TP/(TP+FN) = 0/(0+1) = 0

同理，如果所有的病人都被确定为生病了。混淆矩阵看起来像这样：

精确召回看起来像：

精度 = TP/(TP+FP) = 1/(1+99) = 1/100

召回 = TP/(TP+FN) = 1/(1+0) = 1

这也是 scikit-learn 采取召回的方式。基于您认为是您的用例的积极类别。