第10章 评价分类结果 学习笔记中

目录

精准率和召回率的取舍

F1 Score

Precision-Recall的平稳

程序实现

---

 

精准率和召回率的取舍

F1 Score

只有两者都高，则结果都高

from sklearn import datasets

digits = datasets.load_digits()
X = digits.data
y = digits.target.copy()

y[digits.target==9] = 1
y[digits.target!=9] = 0




from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=666)



from sklearn.linear_model import LogisticRegression

log_reg = LogisticRegression()
log_reg.fit(X_train, y_train)
log_reg.score(X_test, y_test)

Precision-Recall的平稳

两者相矛盾

这样行吗？

大于则为一类，小于则另一类

引入了超参数，可以平移决策边界

0右边为1，五角星为1，圆圈为0

精准率增大时召回率降低

精准率高，则对特别有把握时预测对，概率为90多的预测对，可以将概率低但对预测错

召回率高，降低判断， 10%的概率也说有病

程序实现

基于上面的程序

逻辑回归中默认封闭的国是基于0分类

将边界左右移动后的结果

 

 

 

 

 

 

来源：oschina

链接：https://my.oschina.net/u/4279681/blog/4308771