深度学习分类任务评价指标

### 深度学习多分类任务的评估指标 #### 准确率 (Accuracy) 准确率是指所有预测正确的样本数占总样本数的比例。对于多分类问题，准确率可以衡量整体分类效果的好坏[^1]。 ```python from sklearn.metrics import accuracy_score y_true = [0, 1, 2, 2, 2] y_pred = [0, 0, 2, 2, 1] accuracy = accuracy_score(y_true, y_pred) print(f'Accuracy: {accuracy}') ``` 然而，当类别分布不均衡时，高准确率可能掩盖了某些类别的低表现情况。 #### 精确率 (Precision) 精确率反映了模型在预测为某个特定类别中的正确比例。对于每个类别 \(i\) ，其计算方式如下： \[ P_i=\frac{TP_i}{TP_i+FP_i} \] 其中 \( TP_i \) 表示真正例数量，\( FP_i \) 是假正例的数量。 ```python from sklearn.metrics import precision_score precision_macro = precision_score(y_true, y_pred, average='macro') print(f'Macro Precision: {precision_macro}') precision_micro = precision_score(y_true, y_pred, average='micro') print(f'Micro Precision: {precision_micro}') ``` #### 召回率 (Recall) 召回率表示实际属于某一类别的样本中有多少被成功检测出来。同样针对每一个类别 \( i \)，公式为: \[ R_i=\frac{TP_i}{TP_i+FN_i} \] 这里 \( FN_i \) 代表的是该类别下的漏报数目。 ```python recall_macro = recall_score(y_true, y_pred, average='macro') print(f'Macro Recall: {recall_macro}') recall_micro = recall_score(y_true, y_pred, average='micro') print(f'Micro Recall: {recall_micro}') ``` #### F1分数 (F1 Score) 由于单独考虑精确率或召回率可能会偏向某一方而忽略另一方的重要性，因此引入了综合两者优点的F1得分。它通过调和平均的方式平衡二者关系： \[ F_1=2\times(\frac{{Precision}\times{Recall}}{{Precision}+{Recall}}) \] 此度量特别适用于处理不平衡数据集的情形下优化模型性能[^3]。 ```python f1_macro = f1_score(y_true, y_pred, average='macro') print(f'Macro F1-Score: {f1_macro}') f1_micro = f1_score(y_true, y_pred, average='micro') print(f'Micro F1-Score: {f1_micro}') ``` #### 混淆矩阵 (Confusion Matrix) 混淆矩阵提供了一个直观的方式来展示各类别之间的预测结果对比。每一行对应真实标签，列则显示预测的结果。这有助于深入分析各个类别的误判模式以及总体分类质量[^4]。 ```python import seaborn as sns import matplotlib.pyplot as plt from sklearn.metrics import confusion_matrix cm = confusion_matrix(y_true, y_pred) sns.heatmap(cm, annot=True, fmt="d", cmap="Blues") plt.title('Confusion matrix') plt.ylabel('True label') plt.xlabel('Predicted label') plt.show() ```