时间戳

首页 > 解决方案 > 不平衡类的分类报告支持值指示

scikit-learn - 不平衡类的分类报告支持值指示

问题描述

我有一个不平衡的数据集，我正在尝试进行二进制分类。我最终使用了几种算法CatBoostClassifier，并lightgbm给了我比较好的结果。我有一个关于classification_report和 的问题要问confusion_matrix。

从我的classification_report: - True Negatives: 1076, - False Positives: 0, - False Negatives: 1, - True Positives: 6 中可以看出。

: Sensitivity0.86 和Specificity1.00 ，这意味着我false positive rate是 0.0。

我有一个想法，它确实表现得非常好。

它classification_report是否告诉您我的模型可能过度拟合或确实表现良好？

我问这个是因为support类1（数量较少）是 7，而类0是 1076。

从链接它说：“支持是该类中真实响应的样本数。” 但我真的不明白这里的意思。

任何人都可以向我解释或让我知道我的算法是否过度拟合或表现良好？

标签比例：

0    5550
1      60

分类报告

              precision    recall  f1-score   support

         0.0       1.00      1.00      1.00      1076
         1.0       1.00      0.86      0.92         7

    accuracy                           1.00      1083
   macro avg       1.00      0.93      0.96      1083
weighted avg       1.00      1.00      1.00      1083

混淆矩阵：

[[1076    0]
 [   1    6]]

标签： scikit-learnbinaryclassificationconfusion-matrix

解决方案

如果你同时看训练集和测试集的分类报告，你将能够更好地理解事情，你不能仅仅看训练集或训练集的表现就可以肯定地说什么独自的。但是，如果我们假设您在此处显示的性能指标是针对测试集的，并且训练集中的性能也或多或少与您在测试集中观察到的相似，那么我会说该模型做得很好工作。考虑到类的召回1是86%因为它仅1%由您的数据集构成，这一点非常好。

此外，支持是指属于数据集中特定类的示例总数，例如，在您的情况下，对类的支持0 是5550，对类的支持1是60

推荐阅读