如何确定多分类指标的评分标准及其评估方法？

本文共计445个文字，预计阅读时间需要2分钟。

1. 多分类指标 + 面向二分类任务的评估指标已深入讨论，以下来看一下多分类问题的评估指标。多分类问题的所有指标基本都来自二分类指标，但需要对各类别进行平均处理。除了精度外，还需考虑其他指标。

1、多分类指标

前面已经深入讨论了二分类任务的评估，下面来看一下对多分类问题的评估指标。

多分类问题的所有指标基本上都来自二分类指标，但要对所有类别进行平均。

除了精度，常用的工具有混淆矩阵和分类报告

sklearn.metrics.confusion_metrix

sklearn.metrics.classification_report

from sklearn.metrics import confusion_matrix from sklearn.metrics import classification_report from sklearn.datasets import load_digits from matplotlib import pyplot as plt from sklearn.linear_model import LogisticRegression #建立不平衡数据集 digits = load_digits() #y = digits.target==9 #划分数据集 X_train,X_test,y_train,y_test = train_test_split(digits.data,digits.target,random_state=0) #构建逻辑回归模型 lgr = LogisticRegression().fit(X_train,y_train) pred = lgr.predict(X_test) print("Confusion matrix:\n{}".format(confusion_matrix(y_test,pred))) ''' ``` Confusion matrix: [[37 0 0 0 0 0 0 0 0 0] [ 0 40 0 0 0 0 0 0 2 1] [ 0 1 40 3 0 0 0 0 0 0] [ 0 0 0 43 0 0 0 0 1 1] [ 0 0 0 0 37 0 0 1 0 0] [ 0 0 0 0 0 46 0 0 0 2] [ 0 1 0 0 0 0 51 0 0 0] [ 0 0 0 1 1 0 0 46 0 0] [ 0 3 1 0 0 0 0 0 43 1] [ 0 0 0 0 0 1 0 0 1 45]] ``` '''

#将混淆矩阵转换为热图 import mglearn images = mglearn.tools.heatmap(confusion_matrix(y_test,pred),xlabel="predict label",ylabel="true label", xticklabels=digits.target_names,yticklabels=digits.target_names, cmap=plt.cm.gray_r,fmt="%d") plt.title("Confusion metrix") plt.gca().invert_yaxis()