混淆矩阵confusion_mat计算预测正确率和召回率

Halcom

混淆矩阵confusion_mat计算预测正确率和回召率

	正样本	负样本
预测为正样本	真阳性	假阳性
预测为负样本	假阴性	真阴性

样本预测准确性Accuracy：（真阳性+真阴性）/（真阳性+假阳性+假阴性+真阴性 ）
正样本预测精度Precision：真阳性/( 真阳性+假阳性 )
负样本预测精度Precision：真阴性 /( 真阴性+假阴性 )
正样本召回率Recall：真阳性/( 真阳性+假阴性 )
负样本召回率Recall：真阴性 /( 真阴性+假阳性 )
F1指标：2/（1/Precision + 1/Recall）

使用环境：Win7-32bit-matlab2014a

1. function [fm acc cm ] = confusion_mat( y_actual,y_predicted )
   
2. tp=0;tn=0;fp=0;fn=0;
   
3. for i=1:length(y_actual)
   
4. if y_actual(i)>0
   
5.     if y_actual(i)==y_predicted(i)
   
6.         tp=tp+1;
   
7.     else
   
8.         fn=fn+1;
   
9.     end
   
10. end
    
11. if y_actual(i)<0
    
12.     if y_actual(i)==y_predicted(i)
    
13.         tn=tn+1;
    
14.     else
    
15.         fp=fp+1;
    
16.     end
    
17. end
    
18. end
    
19. cm=[tn fp; fn tp];
    
20. acc=(tp+tn)/(tp+fn+fp+tn);
    
21. sens=tp/(tp+fn);
    
22. prec=tp/(tp+fp);
    
23. fm=(2*prec*sens)/(prec+sens);
    
24. end

复制代码

等价于python：

1. # 从sklearn.metrics里导入classification_report模块。
   
2. from sklearn.metrics import classification_report
   
3. # 使用逻辑斯蒂回归模型自带的评分函数score获得模型在测试集上的准确性结果。
   
4. print 'Accuracy of LR Classifier:', lr.score(X_test, y_test)
   
5. # 利用classification_report模块获得LogisticRegression其他三个指标的结果。
   
6. print classification_report(y_test, lr_y_predict, target_names=['0', '1'])

复制代码