如何在 Python 中创建精确召回曲线.docx

如何在Python中创建精确召回曲线

在机器学习中使用分类模型时，我们经常使用两个指标来评估模型的质量：精确率和召回率。

精度：相对于总阳性预测的正确阳性预测。

计算如下：

精度=真阳性/（真阳性+假阳性）

召回率：相对于实际阳性总数的正确阳性预测

计算如下：

召回率=真阳性/（真阳性+假阴性）

为了可视化某个模型的精度和召回率，我们可以创建一条精度-召回率曲线。该曲线显示了不同阈值下精度和召回率之间的权衡。

以下分步示例展示了如何在Python中为逻辑回归模型创建精确召回曲线。

第1步：导入包

首先，我们将导入必要的包：

fromsklearn从sklearn导入数据

集。model_selection从sklearn导入train_test_split

。线性模型从sklearn导入LogisticRegression

。指标导入precision_recall_curve导入matplotlib。pyplot作为plt

步骤2：拟合Logistic回归模型

接下来，我们将创建一个数据集并为其拟合逻辑回归模型：

#创建具有5个预测变量的数据集X,y=数据集。make_classification(n_samples=1000，

n_特征=4,

n_informative=3，

n_redundant=1，

随机状态=0)#将数据集拆分为训练集和测试集X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=.3,random_state=0)#将逻辑回归模型拟合到数据集分类器=LogisticRegression()

分类器。适合（X_train，y_train）#使用逻辑回归模型进行预测y_score=classifier.预测概率(X_test)[:,1]

第3步：创建精确率-召回率曲线

接下来，我们将计算模型的精度和召回率，并创建精度-召回率曲线：

#计算精度和召回率precision,recall,thresholds=precision_recall_curve(y_test,y_score)#创建精度召回曲线Fig,ax=plt.次要情节()

斧头。绘图（召回率、精度、颜色=紫色）#添加轴标签来绘制ax。set_title(精确召回曲线)

斧头。set_ylabel(精度)

斧头。set_xlabel(召回)#显示绘图

plt.展示（）

x轴显示召回率，y轴显示各种阈值的精度。

请注意，随着召回率的增加，精确度会降低。

这代表了两个指标之间的权衡。为了提高模型的召回率，精度必须降低，反之亦然。

当响应变量是二元时，逻辑回归是我们可以用来拟合回归模型的方法。

逻辑回归使用称为最大似然估计的方法来查找以下形式的方程：

log[p(X)/(1-p(X))]=β?0?+β?1?X?1?+β?2?X?2?+…+β?p?X?p

在哪里：

X?j：第j个预测变量

β?j?：第j个预测变量的系数估计

方程右侧的公式预测?响应变量取值为1的对数几率。

因此，当我们拟合逻辑回归模型时，我们可以使用以下方程来计算给定观测值为1的概率：

p(X)=e?β?0?+β?1?X?1?+β?2?X?2?+…+β?p?X?p?/(1+e?β?0?+β?1?X?1?+β?2?X?2?+…+β?p?X?p?)

然后我们使用一些概率阈值将观察结果分类为1或0。

例如，我们可能会说，概率大于或等于0.5的观测值将被分类为“1”，所有其他观测值将被分类为“0”。

本教程提供了如何在R中执行逻辑回归的分步示例。

第1步：导入必要的包

首先，我们将导入必要的包以在Python中执行逻辑回归：

从sklearn导入pandas作为pd导入numpy作为np

。model_selection从sklearn导入train_test_split

。线性模型从sklearn导入LogisticRegression导入指标导入matplotlib。pyplot作为plt

第2步：加载数据

对于此示例，我们将使用?《统计学习简介》一书中的默认数据集。我们可以使用以下代码来加载并