sklearn 을 사용 하여 다 중 분류의 각 유형 에 대해 지표 평가 작업 을 진행 합 니 다.

오늘 저녁 에 필 자 는 고객 의 수 요 를 받 았 다.그것 은 바로 다 분류 결과 의 각 유형 에 대해 기준 평 가 를 하 는 것 이다.즉,각 유형의 정확도(precision),리 콜 율(recall)과 F1 값(F1-score)을 수출 해 야 한 다 는 것 이다.
이 수요 에 대해 우 리 는 sklearn 으로 해결 할 수 있 습 니 다.방법 은 어렵 지 않 습 니 다.필 자 는 여기 서 기록 만 하고 자신 과 독자 가 참고 하도록 제공 합 니 다.
우리 가 모 의 한 데 이 터 는 다음 과 같다.
y_true=['베 이 징','상하 이','청 두','청 두','상하 이','베 이 징','상하 이','청 두','베 이 징','상하 이']
y_pred=['베 이 징','상하 이','청 두','상하 이','청 두','청 두','상하 이','청 두','베 이 징','상하 이']
그 중 ytrue 는 실제 데이터,ypred 는 다 중 분류 후의 아 날로 그 데이터 입 니 다.sklearn.metrics 의 classification 사용 하기report 는 다 분류의 각 유형 에 대해 지표 평 가 를 실현 할 수 있다.
예제 의 Python 코드 는 다음 과 같 습 니 다.

# -*- coding: utf-8 -*-
from sklearn.metrics import classification_report

y_true = ['  ', '  ', '  ', '  ', '  ', '  ', '  ', '  ', '  ', '  ']
y_pred = ['  ', '  ', '  ', '  ', '  ', '  ', '  ', '  ', '  ', '  ']

t = classification_report(y_true, y_pred, target_names=['  ', '  ', '  '])

print(t)

출력 결 과 는 다음 과 같 습 니 다.

       precision  recall f1-score  support

           0.75   0.75   0.75     4
           1.00   0.67   0.80     3
           0.50   0.67   0.57     3

  accuracy              0.70    10
  macro avg    0.75   0.69   0.71    10
weighted avg    0.75   0.70   0.71    10

주의해 야 할 것 은 출력 결과 데이터 형식 이 str 이 고 이 출력 결 과 를 사용 하려 면 이 방법 중의 outputdict 매개 변 수 는 True 로 설정 되 어 있 습 니 다.이 출력 결 과 는 다음 과 같 습 니 다.

{‘  ': {‘precision': 0.75, ‘recall': 0.75, ‘f1-score': 0.75, ‘support': 4},
‘  ': {‘precision': 1.0, ‘recall': 0.6666666666666666, ‘f1-score': 0.8, ‘support': 3},
‘  ': {‘precision': 0.5, ‘recall': 0.6666666666666666, ‘f1-score': 0.5714285714285715, ‘support': 3},
‘accuracy': 0.7,
‘macro avg': {‘precision': 0.75, ‘recall': 0.6944444444444443, ‘f1-score': 0.7071428571428572, ‘support': 10},
‘weighted avg': {‘precision': 0.75, ‘recall': 0.7, ‘f1-score': 0.7114285714285715, ‘support': 10}}

confusion 사용matrix 방법 은 이 여러 분류 문제 의 혼동 행렬 을 출력 할 수 있 습 니 다.코드 는 다음 과 같 습 니 다.

from sklearn.metrics import confusion_matrix
y_true = ['  ', '  ', '  ', '  ', '  ', '  ', '  ', '  ', '  ', '  ']
y_pred = ['  ', '  ', '  ', '  ', '  ', '  ', '  ', '  ', '  ', '  ']
print(confusion_matrix(y_true, y_pred, labels = ['  ', '  ', '  ']))

출력 결 과 는 다음 과 같 습 니 다.

[[2 0 1]
 [0 3 1]
 [0 1 2]]

이 혼 란 스 러 운 행렬 을 그림 으로 그리 기 위해 서 는 다음 과 같은 Python 코드 를 사용 할 수 있 습 니 다.

# -*- coding: utf-8 -*-
# author: Jclian91
# place: Daxing Beijing
# time: 2019-11-14 21:52

from sklearn.metrics import confusion_matrix
import matplotlib.pyplot as plt
import matplotlib as mpl

#         ,    Mac  
zhfont=mpl.font_manager.FontProperties(fname="/Library/Fonts/Songti.ttc")

y_true = ['  ', '  ', '  ', '  ', '  ', '  ', '  ', '  ', '  ', '  ']
y_pred = ['  ', '  ', '  ', '  ', '  ', '  ', '  ', '  ', '  ', '  ']

classes = ['  ', '  ', '  ']
confusion = confusion_matrix(y_true, y_pred)

#      
plt.imshow(confusion, cmap=plt.cm.Greens)
indices = range(len(confusion))
plt.xticks(indices, classes, fontproperties=zhfont)
plt.yticks(indices, classes, fontproperties=zhfont)
plt.colorbar()
plt.xlabel('y_pred')
plt.ylabel('y_true')

#     
for first_index in range(len(confusion)):
  for second_index in range(len(confusion[first_index])):
    plt.text(first_index, second_index, confusion[first_index][second_index])

#     
plt.show()

생 성 된 혼동 행렬 그림 은 다음 과 같 습 니 다.

보충 지식:python Sklearn xgboost 의 2 분류 와 다 분류 실현
2 분류:
train 2.txt 의 형식 은 다음 과 같 습 니 다.

import numpy as np
import pandas as pd
import sklearn
from sklearn.cross_validation import train_test_split,cross_val_score
from xgboost.sklearn import XGBClassifier
from sklearn.metrics import precision_score,roc_auc_score

min_max_scaler = sklearn.preprocessing.MinMaxScaler(feature_range=(-1,1))
resultX = []
resultY = []
with open("./train_data/train2.txt",'r') as rf:
  train_lines = rf.readlines()
  for train_line in train_lines:
    train_line_temp = train_line.split(",")
    train_line_temp = map(float, train_line_temp)
    line_x = train_line_temp[1:-1]
    line_y = train_line_temp[-1]
    resultX.append(line_x)
    resultY.append(line_y)

X = np.array(resultX)
Y = np.array(resultY)
X = min_max_scaler.fit_transform(X)
X_train,X_test, Y_train, Y_test = train_test_split(X,Y,test_size=0.3)

xgbc = XGBClassifier()
xgbc.fit(X_train,Y_train)
pre_test = xgbc.predict(X_test)

auc_score = roc_auc_score(Y_test,pre_test)
pre_score = precision_score(Y_test,pre_test)

print("xgb_auc_score:",auc_score)
print("xgb_pre_score:",pre_score)

다 분류:19 가지 분류 중 정상 0,이상 1~18 가지 가 있다.데이터 형식 은 다음 과 같 습 니 다.

# -*- coding:utf-8 -*-
from sklearn import datasets
from sklearn.multiclass import OneVsRestClassifier
from sklearn.svm import LinearSVC
from sklearn.cross_validation import train_test_split,cross_val_score
from sklearn.svm import SVC
from sklearn.linear_model import LogisticRegression
from xgboost.sklearn import XGBClassifier
import sklearn
import numpy as np
from sklearn.preprocessing import OneHotEncoder
from sklearn.metrics import precision_score,roc_auc_score
min_max_scaler = sklearn.preprocessing.MinMaxScaler(feature_range=(-1,1))

resultX = []
resultY = []
with open("../train_data/train_multi_class.txt",'r') as rf:
  train_lines = rf.readlines()
  for train_line in train_lines:
    train_line_temp = train_line.split(",")
    train_line_temp = map(float, train_line_temp) #       
    line_x = train_line_temp[1:-1]
    line_y = train_line_temp[-1]
    resultX.append(line_x)
    resultY.append(line_y)

X = np.array(resultX)
Y = np.array(resultY)

#fit_transform(partData)        fit，   part     ，   、  、        （         ），    partData    transform，          、     。。
X = min_max_scaler.fit_transform(X)
#  OneHotEncoder   Y     19 ，  3   000000・・・100

Y = OneHotEncoder(sparse = False).fit_transform(Y.reshape(-1,1))
X_train,X_test, Y_train, Y_test = train_test_split(X,Y,test_size=0.2)

model = OneVsRestClassifier(XGBClassifier(),n_jobs=2)
clf = model.fit(X_train, Y_train)

pre_Y = clf.predict(X_test)
test_auc2 = roc_auc_score(Y_test,pre_Y)#     auc 
print ("xgb_muliclass_auc:",test_auc2)

이상 의 이 편 은 sklearn 을 사용 하여 여러 분류의 각 유형 에 대해 지표 평가 작업 을 하 는 것 이 바로 편집장 이 여러분 에 게 공유 한 모든 내용 입 니 다.여러분 께 참고 가 되 고 저희 도 많이 응원 해 주시 기 바 랍 니 다.