pytorch 에서 정확도,리 콜 율,F1 값 을 계산 하 는 작업

코드 보 세 요~

predict = output.argmax(dim = 1)
confusion_matrix =torch.zeros(2,2)
for t, p in zip(predict.view(-1), target.view(-1)):
    confusion_matrix[t.long(), p.long()] += 1
a_p =(confusion_matrix.diag() / confusion_matrix.sum(1))[0]
b_p = (confusion_matrix.diag() / confusion_matrix.sum(1))[1]
a_r =(confusion_matrix.diag() / confusion_matrix.sum(0))[0]
b_r = (confusion_matrix.diag() / confusion_matrix.sum(0))[1]

보충:pytorch 검사 전 율 recall 검사 준 율 precision F1 조화 평균 정확도 정확도 정확도
코드 보 세 요~

def eval():
    net.eval()
    test_loss = 0
    correct = 0
    total = 0
    classnum = 9
    target_num = torch.zeros((1,classnum))
    predict_num = torch.zeros((1,classnum))
    acc_num = torch.zeros((1,classnum))
    for batch_idx, (inputs, targets) in enumerate(testloader):
        if use_cuda:
            inputs, targets = inputs.cuda(), targets.cuda()
        inputs, targets = Variable(inputs, volatile=True), Variable(targets)
        outputs = net(inputs)
        loss = criterion(outputs, targets)
        # loss is variable , if add it(+=loss) directly, there will be a bigger ang bigger graph.
        test_loss += loss.data[0]
        _, predicted = torch.max(outputs.data, 1)
        total += targets.size(0)
        correct += predicted.eq(targets.data).cpu().sum()
        pre_mask = torch.zeros(outputs.size()).scatter_(1, predicted.cpu().view(-1, 1), 1.)
        predict_num += pre_mask.sum(0)
        tar_mask = torch.zeros(outputs.size()).scatter_(1, targets.data.cpu().view(-1, 1), 1.)
        target_num += tar_mask.sum(0)
        acc_mask = pre_mask*tar_mask
        acc_num += acc_mask.sum(0)
    recall = acc_num/target_num
    precision = acc_num/predict_num
    F1 = 2*recall*precision/(recall+precision)
    accuracy = acc_num.sum(1)/target_num.sum(1)
#    
    recall = (recall.numpy()[0]*100).round(3)
    precision = (precision.numpy()[0]*100).round(3)
    F1 = (F1.numpy()[0]*100).round(3)
    accuracy = (accuracy.numpy()[0]*100).round(3)
#         
    print('recall'," ".join('%s' % id for id in recall))
    print('precision'," ".join('%s' % id for id in precision))
    print('F1'," ".join('%s' % id for id in F1))
    print('accuracy',accuracy)

보충:Python scikit-learn,분류 모델 의 평가,정확도 와 리 콜 율,classificationreport
분류 모델 의 평가 기준 은 일반적으로 가장 흔히 사용 되 는 정확도(estimator.score(),즉 예측 결과 의 정확 한 백분율 이다.
혼동 행렬:

정확 도 는 모든 분류 결과 에 비해정확도,리 콜 율,F1-score 는 특정한 분류 에 대한 예측 평가 기준 이다.
정확도(Precision):예측 결 과 는 정규 샘플 에서 실제 사례 의 비율(검사 의 기준)이다.

리 콜 율(Recall):실제 사례 인 샘플 에서 예측 한 결 과 는 정비례 적 인 비율(검사 의 전체)이다.

분류의 기타 평가 기준:F1-score 는 모델 의 안정 형 을 반영 한다.


demo.py(분류 평가,정확도,리 콜 율,F1-score,classificationreport）：

from sklearn.datasets import fetch_20newsgroups
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import classification_report
 
#        scikit-learn         ( 20   )
news = fetch_20newsgroups(subset='all')  # all           
 
#        (         )
x_train, x_test, y_train, y_test = train_test_split(news.data, news.target, test_size=0.25)
 
#            (      ，                   )
tf = TfidfVectorizer()  # tf-idf         
#                 (            )
x_train = tf.fit_transform(x_train)
 
print(tf.get_feature_names())  # ["condensed", "condescend", ...]
 
x_test = tf.transform(x_test)  #      fit()  ，                    。
 
#             
mlt = MultinomialNB(alpha=1.0)  # alpha          ，  1
print(x_train.toarray())  # toarray()                。
'''
[[ 0.     0.          0.   ...,  0.04234873  0.   0. ]
 [ 0.     0.          0.   ...,  0.          0.   0. ]
 ...,
 [ 0.     0.03934786  0.   ...,  0.          0.   0. ]
'''
mlt.fit(x_train, y_train)  #        
 
#     
y_predict = mlt.predict(x_test)
print("        ：", y_predict)  # [4 18 8 ..., 15 15 4]
 
#    
print("    ：", mlt.score(x_test, y_test))  # 0.853565365025
 
print("            ：", classification_report(y_test, y_predict, target_names=news.target_names))
'''
                precision  recall  f1-score  support
    alt.atheism   0.86      0.66     0.75      207
  comp.graphics   0.85      0.75     0.80      238
 sport.baseball   0.96      0.94     0.95      253
 ...,
'''
 

리 콜 율 의 의미(응용 장면):제품 의 불 합 격 률(어떠한 불합격 제품 도 빠 뜨리 고 싶 지 않 으 며 전부 검사);암 예측(어떤 암 환자 도 빠 뜨리 고 싶 지 않다)
이상 은 개인 적 인 경험 이 므 로 여러분 에 게 참고 가 되 기 를 바 랍 니 다.여러분 들 도 저 희 를 많이 응원 해 주시 기 바 랍 니 다.