python - 使用 Gaussian NB 的多类分类,为准确度、精度和 f1 分数提供相同的输出
问题描述
我是 Python 和分类算法的新手。我正在使用 GaussianNB 进行 NSL KDD 数据集的多类分类,最后我需要获得精度、召回率、f1 分数的值。
from sklearn.metrics import accuracy_score
from sklearn.metrics import precision_score
from sklearn.metrics import recall_score
from sklearn.metrics import f1_score
from sklearn.metrics import confusion_matrix, zero_one_loss
from sklearn.metrics import classification_report
from sklearn.naive_bayes import GaussianNB
gnb = GaussianNB()
y_pred = gnb.fit(train_x, train_Y).predict(test_x)
results_nm = confusion_matrix(test_Y,y_pred)
#print(results_nm)
print(classification_report(test_Y,y_pred))
print(accuracy_score(test_Y,y_pred))
print("Precision Score : ",precision_score(test_Y,y_pred,
pos_label='positive',
average='micro'))
print("Recall Score : ",recall_score(test_Y,y_pred,
pos_label='positive',
average='micro'))
print(f1_score(test_Y,y_pred,average='micro'))
我按照sklearn metrics for multiclass classification的类似问题中的说明进行操作 。
输出如下,但我得到了所有三个相同的输出。这可能是什么原因?
解决方案
这可能会发生,正如您在混淆矩阵中看到的那样,所有 3 个指标的微观平均值实际上是相同的。
在微平均法中,你对不同集合的系统的个体真阳性、假阳性和假阴性求和,并应用它们来获得统计数据。例如,对于一组数据,系统的
True positive (TP1) = 12
False positive (FP1) = 5
False negative (FN1) = 10
那么精度 (P1) 和召回率 (R1) 将是 (12/(12+5)) 和 (12/(12+10))
如果 FP1 == FN1,那么它们都是一样的。
对于不同的数据集,系统的
True positive (TP2) = 50
False positive (FP2) = 7
False negative (FN2) = 7
那么精度(P2)和召回率(R2)将是相同的。
现在,使用微平均方法的系统的平均精度和召回率为
微平均 F 分数将只是这两个数字的调和平均值。
因此,对于FP和FN的特定值,所有这些指标都可能相同。从方程中,我们可以说,如果FP1 + FP2 == FN1 + FN2,那么微平均精度和召回率将是相同的。
您可以通过多种方式将值放入等式中,以便所有 3 个指标给出相同的值,因此您可以尝试宏观平均或加权平均。
推荐阅读
- angular - 如何动态渲染表格布局中的角度组件?
- java - 共享首选项未在重新打开活动时检索值
- wordpress - 无法返回其他网站的wordpress网站的iframe(跨域框架)
- javafx - javafx 控制器类创建
- c# - 使用枚举作为方法参数的 C# 替代方法
- python - 为什么ipython魔术函数`%timeit -n1 code_block`会多次执行`code_block`?
- mysql - 从项目表中进行选择的 SQL 查询,该表连接到类别表
- python - Python:不允许使用重叠的键和值进行替换
- jquery - Magento2 自定义 JQuery 文件包含正确,但代码不起作用
- android - 带有 Gridlayout 的 Cardview 会产生意外行为