34

我有一个情感分析任务，为此我使用这个语料库，意见有 5 个类别（very neg, neg, neu, pos, very pos），从 1 到 5。所以我进行如下分类：

from sklearn.feature_extraction.text import TfidfVectorizer
import numpy as np
tfidf_vect= TfidfVectorizer(use_idf=True, smooth_idf=True,
                            sublinear_tf=False, ngram_range=(2,2))
from sklearn.cross_validation import train_test_split, cross_val_score

import pandas as pd

df = pd.read_csv('/corpus.csv',
                     header=0, sep=',', names=['id', 'content', 'label'])

X = tfidf_vect.fit_transform(df['content'].values)
y = df['label'].values


from sklearn import cross_validation
X_train, X_test, y_train, y_test = cross_validation.train_test_split(X,
                                                    y, test_size=0.33)


from sklearn.svm import SVC
svm_1 = SVC(kernel='linear')
svm_1.fit(X, y)
svm_1_prediction = svm_1.predict(X_test)

然后通过这些指标我得到了如下的混淆矩阵和分类报告，如下：

print '\nClasification report:\n', classification_report(y_test, svm_1_prediction)
print '\nConfussion matrix:\n',confusion_matrix(y_test, svm_1_prediction)

然后，结果如下：

Clasification report:
             precision    recall  f1-score   support

          1       1.00      0.76      0.86        71
          2       1.00      0.84      0.91        43
          3       1.00      0.74      0.85        89
          4       0.98      0.95      0.96       288
          5       0.87      1.00      0.93       367

avg / total       0.94      0.93      0.93       858


Confussion matrix:
[[ 54   0   0   0  17]
 [  0  36   0   1   6]
 [  0   0  66   5  18]
 [  0   0   0 273  15]
 [  0   0   0   0 367]]

我该如何解释上述混淆矩阵和分类报告。我尝试阅读文档和这个问题。但是仍然可以解释这里发生的事情，特别是这些数据？Wny 这个矩阵在某种程度上是“对角线”的吗？另一方面，召回率、精度、f1score 和对这些数据的支持是什么意思？我能对这些数据说些什么？提前谢谢各位

4

3 回答 3

69

分类报告必须简单明了——测试数据中每个元素的 P/R/F-Measure 报告。在多类问题中，在整个数据上阅读 Precision/Recall 和 F-Measure 并不是一个好主意，任何不平衡都会让你觉得你已经达到了更好的结果。这就是此类报告提供帮助的地方。

来到混淆矩阵，它非常详细地表示您的标签正在发生的事情。所以第一类有 71 个点（标签 0）。其中，您的模型成功识别出标签 0 中的 54 个，但有 17 个被标记为标签 4。同样看第二行。第 1 课有 43 分，但其中 36 分是正确的。您的分类器预测第 3 类中的 1 和第 4 类中的 6。

在此处输入图像描述

现在你可以看到下面的模式。具有 100% 准确率的理想分类器将产生一个纯对角矩阵，该矩阵将在其正确类别中预测所有点。

来回忆/精确。它们是评估系统运行情况的一些最常用的衡量标准。现在你在头等舱有 71 分（称之为 0 级）。其中，您的分类器能够正确获得 54 个元素。那是你的回忆。54/71 = 0.76。现在只看表中的第一列。有一个单元格有条目 54，其余的都是零。这意味着您的分类器在 0 类中标记了 54 个点，而所有 54 个点实际上都在 0 类中。这就是精度。54/54 = 1。查看标记为 4 的列。在这一列中，元素分散在所有五行中。其中 367 个被正确标记。其余都是不正确的。所以这会降低你的精度。

F Measure 是 Precision 和 Recall 的调和平均值。请务必阅读有关这些内容的详细信息。https://en.wikipedia.org/wiki/Precision_and_recall

于 2015-06-10T05:48:57.497 回答
1

这是 scikit-learn 的 sklearn.metrics.precision_recall_fscore_support 方法的文档：http ://scikit-learn.org/stable/modules/generated/sklearn.metrics.precision_recall_fscore_support.html#sklearn.metrics.precision_recall_fscore_support

这似乎表明支持是真实响应（测试集中的响应）中每个特定类的出现次数。您可以通过对混淆矩阵的行求和来计算它。

于 2016-10-11T03:59:25.890 回答
0

Confusion Matrix 告诉我们预测值在所有实际结果中的分布情况。Accuracy_scores、Recall（敏感性）、Precision、Specificity 和其他类似指标是 Confusion Matrix 的子集。F1 分数是准确率和召回率的调和平均值。Classification_report 中的支持列告诉我们测试数据中每个类的实际计数。好吧，上面已经很好地解释了休息。谢谢你。

于 2017-12-03T17:06:18.857 回答