根据精度、召回率、f1 分数计算准确度 - scikit-learn

我犯了一个巨大的错误。我将 scikit-learn svm 准确度的输出打印为：

str(metrics.classification_report(trainExpected, trainPredict, digits=6))

现在我需要根据以下输出计算准确性：

              precision    recall  f1-score   support

1             0.000000  0.000000  0.000000      1259
2             0.500397  1.000000  0.667019      1261
avg / total   0.250397  0.500397  0.333774      2520

是否可以根据这些值计算准确性？

PS：我不想再花一天时间来获取模型的输出。我刚刚意识到这个错误，希望我不需要从头开始。

您可以根据精度、召回率和真/假阳性数量或案例支持来计算准确性（即使由于分子或分母为 0，精度或召回率为 0）。

TruePositive+FalseNegative=Support_True
TrueNegative+FalsePositive=Support_False
Precision=TruePositive/(TruePositive+FalsePositive) if TruePositive+FalsePositive!=0 else 0
Recall=TruePositive/(TruePositive+FalseNegative) if TruePositive+FalseNegative!=0 else 0
Accuracy=(TruePositive+TrueNegative)/(TruePositive+TrueNegative+FalsePositive+FalseNegative)

-或者- 例如，给定 TruePositive/TrueNegative 计数：

TPP=TruePositive/Precision=TruePositive+FalsePositive if Precision!=0 and TruePositive!=0 else TPP=0
TPR=TruePositive/Recall=TruePositive+FalseNegative if Recall!=0 and TruePositive!=0 else TPR=0

在上面，当 TruePositive==0 时，如果没有有关 FalseNegative/FalsePositive 的更多信息，则无法进行计算。因此支持效果更好。

Accuracy=(TruePositive+TrueNegative)/(TPP+TPR-TruePositive+TrueNegative)

但在你的情况下，给出的是支持，所以我们使用召回：

Recall=TruePositive/Support_True if Support_True!=0 else 0
TruePositive=Recall*Support_True, likewise TrueNegative=Recall_False*Support_False in all cases
Accuracy=(Recall*Support_True+Recall_False*Support_False)/(Support_True + Support_False)

在你的情况下(0*1259+1*1261)/(1259+1261)=0.500397当只预测一类时，这正是您所期望的。在这种情况下，相应的精度分数即为准确度。

正如另一位海报所说，最好使用图书馆。但由于这听起来也可能是一个数学问题，因此可以使用它。