分类报告结果

Question

我认为我的参数中存在一些问题，因为我得到了不同的结果。由于代码量巨大，我无法复制和粘贴所有代码，只能复制和粘贴相关部分。 我使用不同的模型来预测一个账户是假的还是假的。 模型示例如下所示：

rf = Pipeline([
        ('rfCV',FeaturesSelection.countVect),
        ('rf_clf',RandomForestClassifier(n_estimators=200,n_jobs=3))
        ])
    
rf.fit(DataPreparation.train_acc['Acc'],DataPreparation.train_acc['Label'])
predicted_rf = rf.predict(DataPreparation.test_acc['Acc'])
np.mean(predicted_rf == DataPreparation.test_acc['Label'])

Then I use K-Fold cross validation: 
def confusion_matrix(classifier):
    
    k_fold = KFold(n_splits=5)
    scores = []
    confusion = np.array([[0,0],[0,0]])

    for train_ind, test_ind in k_fold.split(DataPreparation.train_acc):
        train_text = DataPreparation.train_acc.iloc[train_ind]['Acc'] 
        train_y = DataPreparation.train_acc.iloc[train_ind]['Label']
    
        test_text = DataPreparation.train_acc.iloc[test_ind]['Acc']
        test_y = DataPreparation.train_acc.iloc[test_ind]['Label']
        
        classifier.fit(train_text,train_y)
        predictions = classifier.predict(test_text)
        
        confusion += confusion_matrix(test_y,predictions)
        score = f1_score(test_y,predictions)
        scores.append(score)

        return (print('Score:', sum(scores)/len(scores)))

将其应用于所有分类器

build_confusion_matrix(nb_pipeline)
build_confusion_matrix(svm_pipeline)
build_confusion_matrix(rf)

我得到：

Score: 0.5697
Score: 0.5325
Score: 0.5857

但是，如果我想按如下方式创建分类报告：

print(classification_report(DataPreparation.test_acc['Label'], predicted_nb))
print(classification_report(DataPreparation.test_acc['Label'], predicted_svm))
print(classification_report(DataPreparation.test_acc['Label'], predicted_rf))

输出是不同的。例如： （注）

               precision    recall  f1-score   support

     0.0       0.97      0.86      0.91       580
     1.0       0.41      0.72      0.53        80

（支持向量机）

               precision    recall  f1-score   support

     0.0       0.94      0.96      0.95       580
     1.0       0.61      0.53      0.52        80

如果我创建一个总结报告，如下所示：

f1 = f1_score(DataPreparation.test_acc['Label'], predicted_rf)
pres = precision_score(DataPreparation.test_acc['Label'], predicted_rf)
rec = recall_score(DataPreparation.test_acc['Label'], predicted_rf)
acc = accuracy_score(DataPreparation.test_acc['Label'], predicted_rf)
    
res = res.append({'Precision': pres, 
                     'Recall': rec, 'F1-score': f1, 'Accuracy': acc}, ignore_index = True)

我也得到了不同的结果

我在看f1的成绩。我希望所有的分类报告都是如此

您能告诉我，我用于构建分类报告、分数和/或汇总表的参数中是否存在任何错误吗

Answer 1

F1成绩与班级有着内在的联系。这就是为什么在分类报告中有两个F1分数。当您打印f1_分数（true，predicted）时，它只会给您一个数字，根据sklearn的文档，该数字默认为指定为正值的类的f1分数（来源：https://scikit-learn.org/stable/modules/generated/sklearn.metrics.f1_score.html，参数>；average）。分类报告返回所有类型的平均值，但是您包含的是micro-f1分数，它不同于之前的f1分数，并且是基于总的真阳性、假阴性和假阳性（如果您选中https://scikit-learn.org/stable/modules/generated/sklearn.metrics.f1_score.html）计算的，在所提供的示例中，类别2的micro f1为80%，因为2个'2'被正确分类为2'，另外2个实例被正确分类为非'2'，一个'2'未被分类为'2'）。现在，如果您提供的第一个分数与最后一个分数不同，尽管它们都是由相同的sklearn函数调用的，这是因为第一个数字来自您数据上的CV方案