precision_score, recall_score, f1

precision_score, recall_score, f1_score的计算

本文主要是介绍precision_score, recall_score, f1_score的计算，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

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 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：

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)  