6
  • 我拟合了一个逻辑回归模型，并使用以下方法根据训练数据集训练模型
import scikits as sklearn
from sklearn.linear_model import LogisticRegression
lr = LogisticRegression(C=0.1, penalty='l1')
model = lr.fit(training[:,0:-1], training[:,-1)
  • 我有一个交叉验证数据集，其中包含在输入矩阵中关联的标签，可以作为

简历[:,-1]

  • 我针对经过训练的模型运行交叉验证数据集，该模型根据预测返回 0 和 1 列表

cv_predict = model.predict(cv[:,0:-1])

问题

我想根据实际标签和预测标签计算精度和召回分数。有没有使用 numpy/scipy/scikits 的标准方法？

谢谢

4

1 回答 1

22

是的，请参阅文档：http ://scikit-learn.org/stable/modules/classes.html#classification-metrics

您还应该查看该sklearn.metrics.classification_report实用程序：

>>> from sklearn.metrics import classification_report
>>> from sklearn.linear_model import SGDClassifier
>>> from sklearn.datasets import load_digits

>>> digits = load_digits()
>>> n_samples, n_features = digits.data.shape
>>> n_split = n_samples / 2

>>> clf = SGDClassifier().fit(digits.data[:n_split], digits.target[:n_split])

>>> predictions = clf.predict(digits.data[n_split:])
>>> expected = digits.target[n_split:]

>>> print classification_report(expected, predictions)
             precision    recall  f1-score   support

          0       0.90      0.98      0.93        88
          1       0.81      0.69      0.75        91
          2       0.94      0.98      0.96        86
          3       0.94      0.85      0.89        91
          4       0.90      0.93      0.91        92
          5       0.92      0.92      0.92        91
          6       0.92      0.97      0.94        91
          7       1.00      0.85      0.92        89
          8       0.71      0.89      0.79        88
          9       0.89      0.83      0.86        92

avg / total       0.89      0.89      0.89       899
于 2012-02-01T08:31:09.760 回答