今天晚上，筆者接到客戶的一個需要，那就是：對多分類結果的每個類別進行指標評價，也就是需要輸出每個型別的精確率（precision），召回率（recall）以及F1值（F1-score）。

對於這個需求，我們可以用sklearn來解決，方法並沒有難，筆者在此僅做記錄，供自己以後以及讀者參考。

我們模擬的資料如下：

y_true = ['北京','上海','成都','北京','上海']
y_pred = ['北京','上海']

其中y_true為真實資料，y_pred為多分類後的模擬資料。使用sklearn.metrics中的classification_report即可實現對多分類的每個類別進行指標評價。

示例的Python程式碼如下：

# -*- coding: utf-8 -*-
from sklearn.metrics import classification_report

y_true = ['北京','上海']
y_pred = ['北京','上海']

t = classification_report(y_true,y_pred,target_names=['北京','成都'])

print(t)

輸出結果如下：

       precision  recall f1-score  support

     北京    0.75   0.75   0.75     4
     上海    1.00   0.67   0.80     3
     成都    0.50   0.67   0.57     3

  accuracy              0.70    10
  macro avg    0.75   0.69   0.71    10
weighted avg    0.75   0.70   0.71    10

需要注意的是，輸出的結果資料型別為str，如果需要使用該輸出結果，則可將該方法中的output_dict引數設定為True，此時輸出的結果如下:

{‘北京': {‘precision': 0.75,‘recall': 0.75,‘f1-score': 0.75,‘support': 4},‘上海': {‘precision': 1.0,‘recall': 0.6666666666666666,‘f1-score': 0.8,‘support': 3},‘成都': {‘precision': 0.5,‘f1-score': 0.5714285714285715,‘accuracy': 0.7,‘macro avg': {‘precision': 0.75,‘recall': 0.6944444444444443,‘f1-score': 0.7071428571428572,‘support': 10},‘weighted avg': {‘precision': 0.75,‘recall': 0.7,‘f1-score': 0.7114285714285715,‘support': 10}}

使用confusion_matrix方法可以輸出該多分類問題的混淆矩陣，程式碼如下：

from sklearn.metrics import confusion_matrix
y_true = ['北京','上海']
print(confusion_matrix(y_true,labels = ['北京','成都']))

輸出結果如下：

[[2 0 1]
 [0 3 1]
 [0 1 2]]

為了將該混淆矩陣繪製成圖片，可使用如下的Python程式碼：

# -*- coding: utf-8 -*-
# author: Jclian91
# place: Daxing Beijing
# time: 2019-11-14 21:52

from sklearn.metrics import confusion_matrix
import matplotlib.pyplot as plt
import matplotlib as mpl

# 支援中文字型顯示,使用於Mac系統
zhfont=mpl.font_manager.FontProperties(fname="/Library/Fonts/Songti.ttc")

y_true = ['北京','上海']

classes = ['北京','成都']
confusion = confusion_matrix(y_true,y_pred)

# 繪製熱度圖
plt.imshow(confusion,cmap=plt.cm.Greens)
indices = range(len(confusion))
plt.xticks(indices,classes,fontproperties=zhfont)
plt.yticks(indices,fontproperties=zhfont)
plt.colorbar()
plt.xlabel('y_pred')
plt.ylabel('y_true')

# 顯示資料
for first_index in range(len(confusion)):
  for second_index in range(len(confusion[first_index])):
    plt.text(first_index,second_index,confusion[first_index][second_index])

# 顯示圖片
plt.show()

生成的混淆矩陣圖片如下：

補充知識：python Sklearn實現xgboost的二分類和多分類

二分類：

train2.txt的格式如下：

import numpy as np
import pandas as pd
import sklearn
from sklearn.cross_validation import train_test_split,cross_val_score
from xgboost.sklearn import XGBClassifier
from sklearn.metrics import precision_score,roc_auc_score

min_max_scaler = sklearn.preprocessing.MinMaxScaler(feature_range=(-1,1))
resultX = []
resultY = []
with open("./train_data/train2.txt",'r') as rf:
  train_lines = rf.readlines()
  for train_line in train_lines:
    train_line_temp = train_line.split(",")
    train_line_temp = map(float,train_line_temp)
    line_x = train_line_temp[1:-1]
    line_y = train_line_temp[-1]
    resultX.append(line_x)
    resultY.append(line_y)

X = np.array(resultX)
Y = np.array(resultY)
X = min_max_scaler.fit_transform(X)
X_train,X_test,Y_train,Y_test = train_test_split(X,Y,test_size=0.3)

xgbc = XGBClassifier()
xgbc.fit(X_train,Y_train)
pre_test = xgbc.predict(X_test)

auc_score = roc_auc_score(Y_test,pre_test)
pre_score = precision_score(Y_test,pre_test)

print("xgb_auc_score:",auc_score)
print("xgb_pre_score:",pre_score)

多分類：有19種分類其中正常0，異常1~18種。資料格式如下：

# -*- coding:utf-8 -*-
from sklearn import datasets
from sklearn.multiclass import OneVsRestClassifier
from sklearn.svm import LinearSVC
from sklearn.cross_validation import train_test_split,cross_val_score
from sklearn.svm import SVC
from sklearn.linear_model import LogisticRegression
from xgboost.sklearn import XGBClassifier
import sklearn
import numpy as np
from sklearn.preprocessing import OneHotEncoder
from sklearn.metrics import precision_score,roc_auc_score
min_max_scaler = sklearn.preprocessing.MinMaxScaler(feature_range=(-1,1))

resultX = []
resultY = []
with open("../train_data/train_multi_class.txt",train_line_temp) # 轉化為浮點數
    line_x = train_line_temp[1:-1]
    line_y = train_line_temp[-1]
    resultX.append(line_x)
    resultY.append(line_y)

X = np.array(resultX)
Y = np.array(resultY)

#fit_transform(partData)對部分資料先擬合fit，找到該part的整體指標，如均值、方差、最大值最小值等等（根據具體轉換的目的），然後對該partData進行轉換transform，從而實現資料的標準化、歸一化等等。。
X = min_max_scaler.fit_transform(X)
#通過OneHotEncoder函式將Y值離散化成19維，例如3離散成000000···100

Y = OneHotEncoder(sparse = False).fit_transform(Y.reshape(-1,1))
X_train,test_size=0.2)

model = OneVsRestClassifier(XGBClassifier(),n_jobs=2)
clf = model.fit(X_train,Y_train)

pre_Y = clf.predict(X_test)
test_auc2 = roc_auc_score(Y_test,pre_Y)#驗證集上的auc值
print ("xgb_muliclass_auc:",test_auc2)

以上這篇使用sklearn對多分類的每個類別進行指標評價操作就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。