precision_score, recall_score, f1_score的计算

1 使用numpy计算true positives等

[python] view
plain copy

import numpy as np  

  

y_true = np.array([0, 1, 1, 0, 1, 0])  

y_pred = np.array([1, 1, 1, 0, 0, 1])  

  

# true positive  

TP = np.sum(np.multiply(y_true, y_pred))  

print(TP)  

  

# false positive  

FP = np.sum(np.logical_and(np.equal(y_true, 0), np.equal(y_pred, 1)))  

print(FP)  

  

# false negative  

FN = np.sum(np.logical_and(np.equal(y_true, 1), np.equal(y_pred, 0)))  

print(FN)  

  

# true negative  

TN = np.sum(np.logical_and(np.equal(y_true, 0), np.equal(y_pred, 0)))  

print(TN)  

输出结果：

2
2
1
1

2 使用tensorflow计算true positives等

[python] view
plain copy

import tensorflow as tf  

  

sess = tf.Session()  

  

y_true = tf.constant([0, 1, 1, 0, 1, 0])  

y_pred = tf.constant([1, 1, 1, 0, 0, 1])  

  

# true positive  

TP = tf.reduce_sum(tf.multiply(y_true, y_pred))  

print(sess.run(TP))  

  

# false positive  

FP = tf.reduce_sum(tf.cast(tf.logical_and(tf.equal(y_true, 0), tf.equal(y_pred, 1)), tf.int32))  

print(sess.run(FP))  

  

# false negative  

FN = tf.reduce_sum(tf.cast(tf.logical_and(tf.equal(y_true, 1), tf.equal(y_pred, 0)), tf.int32))  

print(sess.run(FN))  

  

# true negative  

TN = tf.reduce_sum(tf.cast(tf.logical_and(tf.equal(y_true, 0), tf.equal(y_pred, 0)), tf.int32))  

print(sess.run(TN))  

输出结果：

2
2
1
1

3 使用sklearn的metrics模块计算precision，recall和f1-score

3.1 数据是list类型

[python] view
plain copy

from sklearn.metrics import precision_score, recall_score, f1_score  

  

y_true = [0, 1, 1, 0, 1, 0]  

y_pred = [1, 1, 1, 0, 0, 1]  

  

p = precision_score(y_true, y_pred, average='binary')  

r = recall_score(y_true, y_pred, average='binary')  

f1score = f1_score(y_true, y_pred, average='binary')  

  

print(p)  

print(r)  

print(f1score)  

输出结果：

0.5
0.666666666667
0.571428571429

3.2 数据是ndarray类型

[python] view
plain copy

from sklearn.metrics import precision_score, recall_score, f1_score  

import numpy as np  

  

y_true = np.array([[0, 1, 1],   

                   [0, 1, 0]])  

y_pred = np.array([[1, 1, 1],   

                   [0, 0, 1]])  

  

y_true = np.reshape(y_true, [-1])  

y_pred = np.reshape(y_pred, [-1])  

  

p = precision_score(y_true, y_pred, average='binary')  

r = recall_score(y_true, y_pred, average='binary')  

f1score = f1_score(y_true, y_pred, average='binary')  

  

print(p)  

print(r)  

print(f1score)  

输出结果：

0.5
0.666666666667
0.571428571429

转自：http://blog.csdn.net/blythe0107/article/details/75003890