Изучение acuuracy_score в Python Scikit

Acuuracy_score в Python используется для расчета точности фракции или количества правильных прогнозов в обучении Scikit.

Математически он представляет собой соотношение суммы истинных положительных и истинных отрицательных результатов всех прогнозов.

Accuracy Score =(TP+TN)/(TP+FN+TN+FP)

Здесь мы также можем посчитать точность с помощью метода Precision_score из sklearn.

accuracy_score(y_true, y_pred, normalize=False)

При классификации по нескольким меткам функция возвращает точность подмножества. Если весь набор предсказанных меток для выборки точно соответствует истинному набору меток. Тогда точность подмножества равна 1,0, в противном случае его точность равна почти 0,0.

Синтаксис:

sklearn.metrics.accuracy_score(y_true,y_pred,normalize=False,sample_weight=None)

Параметры:

  • y_true: массив индикаторов метки/разреженная матрица, правильная метка.
  • y_pred: массив индикаторов меток/разреженная матрица, предсказанные метки, возвращаемые классификаторами.
  • normalize: содержит логическое значение(True/False). Если значение False, возвращает количество правильно конфиденциальных образцов. В противном случае он возвращает долю правильно конфиденциальных образцов.

Возврат:

  • Если normalize == True, возвращается количество правильно конфиденциальных выборок (с плавающей запятой), в противном случае возвращается количество правильно конфиденциальных выборок(int).
  • Наилучшая производительность — 1 при нормализации == True и количество выборок при нормализации == False.

Мы также можем записать Accure_score следующим образом:

accuracy_score(
 y_true,
 y_pred,
 normalize: bool=True,
 sample_weight:__class__ =None
)

Примеры

Как мы знаем, библиотека обучения scikit используется для моделирования данных, а не для загрузки и манипулирования данными. Здесь мы можем использовать scikit Learn Precision_score для расчета точности данных.

Пример 1:

  • y_pred = [0, 5, 2, 4] используется как прогнозируемое значение, которое мы можем выбрать.
  • y_true = [0, 1, 2, 3] используется как истинное значение, которое уже задано.
  • Precision_score (y_true, y_pred) используется для проверки Precision_score истинного значения и прогнозируемого значения.
 import numpy as np
 from sklearn.metrics import accuracy_score
 y_pred = [0, 5, 2, 4]
 y_true = [0, 1, 2, 3]
 accuracy_score(y_true, y_pred)

Выход:

После запуска приведенного выше кода мы получаем следующий вывод, в котором мы видим, что здесь нормализованное значение истинно, поэтому мы получаем значение с плавающей запятой.

Пример оценки точности обучения scikit

Пример 2:

  • Если normalize == False, возвращается количество правильно конфиденциальных образцов (int).
  • y_pred = [0, 5, 2, 4] используется как прогнозируемое значение, которое мы можем выбрать.
  • y_true = [0, 1, 2, 3] используется как истинное значение, которое уже задано.
  • Precision_score (y_true, y_pred,normalize=False) используется для проверки Precision_score истинного значения и прогнозируемого значения.
import numpy as np
from sklearn.metrics import accuracy_score
y_pred = [0, 5, 2, 4]
y_true = [0, 1, 2, 3]
accuracy_score(y_true, y_pred)
accuracy_score(y_true, y_pred, normalize=False)

Выход:

После запуска приведенного выше кода мы получаем следующий вывод, в котором видим оценку точности true_value и Precision_score.

scikit Learn пример нормализации показателя точности

Как работает

Программа scikit Learn Accuracy_score работает с классификацией по нескольким меткам, в которой функция Precision_score вычисляет точность подмножества:

  • Набор меток, предсказанный для выборки, должен точно соответствовать соответствующему набору меток в y_true.
  • Точность, определяющая, как модель выполняет все классы. Полезно, если все классы одинаково важны.
  • Точность модели рассчитывается как отношение количества правильных прогнозов к общему количеству прогнозов.

В следующем коде мы импортируем две библиотеки: import numpy и import sklearn.metrics для прогнозирования точности модели:

  • y_true = [“положительный”, “отрицательный”, “негативный”, “положительный”, “положительный”, “положительный”, “отрицательный”] это истинное значение модели.
  • y_pred = [«положительный», «отрицательный», «положительный», «положительный», «отрицательный», «положительный», «положительный»] — это прогнозируемое значение модели.
  • точность =(r[0][0] + r[-1][-1]) / numpy.sum(r) используется для расчета точности csore модели.
  • print (accuracy) используется для печати показателя точности на экране.
import numpy 
import sklearn.metrics

y_true = ["positive", "negative", "negative", "positive", "positive", "positive", "negative"]
y_pred = ["positive", "negative", "positive", "positive", "negative", "positive", "positive"]

r = sklearn.metrics.confusion_matrix(y_true, y_pred)

r = numpy.flip(r)

accuracy =(r[0][0] + r[-1][-1]) / numpy.sum(r)
print(accuracy)

Выход:

После запуска приведенного выше кода мы получаем следующий вывод, в котором видим, что показатель точности модели печатается на экране.

Как работает scikit Learn Precision_score

В sklearn.metrics есть функция Precision_score(), которую можно использовать для расчета точности.

accuracy = sklearn.metrics.accuracy_score(y_true, y_pred)
Добавить комментарий