Question

我正在尝试使用sklearn库在python 3中建立逻辑回归模型。

接下来，请坚持下面的简短版本，

dv-因变量

idv-自变量

现在我有idv1，idv2，idv3，idv4，idv5，idv6，idv7，idv8和idv9。

其中idv6到idv9是类别变量（idv6和idv7具有3个类别。其中idv8和idv9是布尔变量。是或没有种类的变量[0或1]）

并且dv还是一个布尔变量（是或不是一种变量）。

现在，我为最终模型数据为所有idv6到idv9创建了一个虚拟人...即idv6_c1，idv6_c2，idv_c3，其余的跟着类似。如idv8_c1，idv8_c2 for idv8和idv9。

现在，在拟合模型并找到预测值的指标之后……

我说的是 76.7415479670124％的 accuracy_score 和 76.7415479670124％的 precision_score

我使用 sklearn.metrics.accuracy_score 和 sklearn.metrics.precision_score 库进行了计算。

我想知道..这是正确的还是我错过了什么... ??

会发生这种情况吗？...精确度和精度几乎等于13个小数点??? ....我确定...我做错了什么...任何人都可以帮助我吗?? < / p>

Answer 1

精度=真正/（真正+假正）

准确度=（真正+真负）/（真正+假正+真负+假负）

因此，如果没有负面预测，则这两个值将相等。

Answer 2

精度定义为相关检索结果的分数，由以下公式给出：（tp / tp + fp），而精度是正确预测与输入样本总数的比率。

尽管可能性很小，但当真阴性和假阴性的数量均为零时，精度等于精度。也就是说，您的系统不会将任何样本归类为阴性。

但是，您的问题可能与here中提到的微平均有关。

Answer 3

这里有a link解决同分结果和更详细的原理。

你只需要改变scikit-learn的参数即可。

average = macro 或 average = weighted

代码和结果是从上面的链接复制的。 (https://simonhessner.de/why-are-precision-recall-and-f1-score-equal-when-using-micro-averaging-in-a-multi-class-problem/)

参考文献：https://scikit-learn.org/stable/modules/generated/sklearn.metrics.precision_score.html

print("Precision (micro): %f" % precision_score(labels, predicitons, average='micro'))
print("Recall (micro):    %f" % recall_score(labels, predicitons, average='micro'))
print("F1 score (micro):  %f" % f1_score(labels, predicitons, average='micro'), end='\n\n')

print("Precision (macro): %f" % precision_score(labels, predicitons, average='macro'))
print("Recall (macro):    %f" % recall_score(labels, predicitons, average='macro'))
print("F1 score (macro):  %f" % f1_score(labels, predicitons, average='macro'), end='\n\n')

print("Precision (weighted): %f" % precision_score(labels, predicitons, average='weighted'))
print("Recall (weighted):    %f" % recall_score(labels, predicitons, average='weighted'))
print("F1 score (weighted):  %f" % f1_score(labels, predicitons, average='weighted'))

会得到这样的结果：

    Precision (micro): 0.444444
    Recall (micro): 0.444444
    F1 score (micro): 0.444444

    Precision (macro): 0.366667
    Recall (macro): 0.361111
    F1 score (macro): 0.355556

    Precision (weighted): 0.433333
    Recall (weighted): 0.444444
    F1 score (weighted): 0.429630

精确度分数和精确度分数可以相等吗？

3 个答案: