sklearn的metrics，准确度accuracy_score查准率precision_score

我们相信：世界是美好的，你是我也是。平行空间的世界里面，不同版本的生活也在继续...

本文继续探求sklearn对一个模型的好坏做判断的标准，在前面的文章中，大家已经看到了precision_score,recall_score和f1_score这三个标准，实际上还有一个accuracy_score。所以，本文再对这个accuracy_score和precision_score做一下对比分析。

苏南大叔的程序如此灵动博客，记录苏南大叔的代码编程经验总结。本文描述precision_score和accuracy_score这两个指标的区别。测试环境：win10，python@3.11.0，sklearn@1.2.2。

前文提示

关于sklearn中对一个模型好坏的评判标准的问题，这里一共写过两篇文章了。分别是：

• https://newsn.net/say/sklearn-score.html
• https://newsn.net/say/sklearn-score-2.html

在第二篇文章中，苏南大叔提到：
精准度实际上有三种情况，分别是：阳性的精准度（最常见），阴性的精准度，整体的精准度。实际上在sklearn.metrics中，有：

能感受到的是，这些模型评判标准，更加倾向于查出阳性样本的个体，对于阴性样本的个体，并不是特别的关心。

数据测算

这里还是拿上一篇文章里面的例子做测算。

实际值 [0 0 0 1 1 1]
预测值 [1 1 1 0 0 1]
对不对 [False False False False False  True]

有问题被发现了（tp）:1
有问题没被发现（fn）:2
没有问题被误诊（fp）:3
放心啥事都没有（tn）:0

阳性查准率[tp / tp + fp]:0.25
阴性查准率[tn / tn + fp]:0.0
整体准确率[(tp + tn) / (tp + fp + tn + fn)]:0.16666666666666666

from sklearn.metrics import accuracy_score,precision_score
y_true=[0, 0, 0, 1, 1, 1]
y_pred=[1, 1, 1, 0, 0, 1]
print('查准率Precision Score:',precision_score(y_true,y_pred))
print('准确率Accuracy Score:',accuracy_score(y_true,y_pred))

输出是：

查准率Precision Score: 0.25
准确率Accuracy Score: 0.16666666666666666

结论

结束语

precision和accuracy的英文意思都是"准确，精准"，看来还是有很大区别的。更多苏南大叔的机器学习的文章，请参考：

• https://newsn.net/tag/sklearn/

如果本文对您有帮助，或者节约了您的时间，欢迎打赏瓶饮料，建立下友谊关系。
本博客不欢迎：各种镜像采集行为。请尊重原创文章内容，转载请保留作者链接。