pytorch中計算準確率,召回率和F1值的方法

這篇文章主要講解了“pytorch中計算準確率,召回率和F1值的方法”，文中的講解內容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“pytorch中計算準確率,召回率和F1值的方法”吧！

看代碼吧~

predict = output.argmax(dim = 1)
confusion_matrix =torch.zeros(2,2)
for t, p in zip(predict.view(-1), target.view(-1)):
    confusion_matrix[t.long(), p.long()] += 1
a_p =(confusion_matrix.diag() / confusion_matrix.sum(1))[0]
b_p = (confusion_matrix.diag() / confusion_matrix.sum(1))[1]
a_r =(confusion_matrix.diag() / confusion_matrix.sum(0))[0]
b_r = (confusion_matrix.diag() / confusion_matrix.sum(0))[1]

補充：pytorch 查全率 recall 查準率 precision F1調和平均 準確率 accuracy

看代碼吧~

def eval():
    net.eval()
    test_loss = 0
    correct = 0
    total = 0
    classnum = 9
    target_num = torch.zeros((1,classnum))
    predict_num = torch.zeros((1,classnum))
    acc_num = torch.zeros((1,classnum))
    for batch_idx, (inputs, targets) in enumerate(testloader):
        if use_cuda:
            inputs, targets = inputs.cuda(), targets.cuda()
        inputs, targets = Variable(inputs, volatile=True), Variable(targets)
        outputs = net(inputs)
        loss = criterion(outputs, targets)
        # loss is variable , if add it(+=loss) directly, there will be a bigger ang bigger graph.
        test_loss += loss.data[0]
        _, predicted = torch.max(outputs.data, 1)
        total += targets.size(0)
        correct += predicted.eq(targets.data).cpu().sum()
        pre_mask = torch.zeros(outputs.size()).scatter_(1, predicted.cpu().view(-1, 1), 1.)
        predict_num += pre_mask.sum(0)
        tar_mask = torch.zeros(outputs.size()).scatter_(1, targets.data.cpu().view(-1, 1), 1.)
        target_num += tar_mask.sum(0)
        acc_mask = pre_mask*tar_mask
        acc_num += acc_mask.sum(0)
    recall = acc_num/target_num
    precision = acc_num/predict_num
    F1 = 2*recall*precision/(recall+precision)
    accuracy = acc_num.sum(1)/target_num.sum(1)
#精度調整
    recall = (recall.numpy()[0]*100).round(3)
    precision = (precision.numpy()[0]*100).round(3)
    F1 = (F1.numpy()[0]*100).round(3)
    accuracy = (accuracy.numpy()[0]*100).round(3)
# 打印格式方便復制
    print('recall'," ".join('%s' % id for id in recall))
    print('precision'," ".join('%s' % id for id in precision))
    print('F1'," ".join('%s' % id for id in F1))
    print('accuracy',accuracy)

補充：Python scikit-learn，分類模型的評估，精確率和召回率，classification_report

分類模型的評估標準一般最常見使用的是準確率（estimator.score()），即預測結果正確的百分比。

混淆矩陣：

準確率是相對所有分類結果；精確率、召回率、F1-score是相對于某一個分類的預測評估標準。

精確率(Precision)：預測結果為正例樣本中真實為正例的比例（查的準）（      ）

召回率(Recall)：真實為正例的樣本中預測結果為正例的比例（查的全）（     ）

分類的其他評估標準：F1-score，反映了模型的穩健型

demo.py（分類評估，精確率、召回率、F1-score，classification_report）：

from sklearn.datasets import fetch_20newsgroups
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import classification_report
 
# 加載數據集 從scikit-learn官網下載新聞數據集(共20個類別)
news = fetch_20newsgroups(subset='all')  # all表示下載訓練集和測試集
 
# 進行數據分割 (劃分訓練集和測試集)
x_train, x_test, y_train, y_test = train_test_split(news.data, news.target, test_size=0.25)
 
# 對數據集進行特征抽取 (進行特征提取，將新聞文檔轉化成特征詞重要性的數字矩陣)
tf = TfidfVectorizer()  # tf-idf表示特征詞的重要性
# 以訓練集數據統計特征詞的重要性 (從訓練集數據中提取特征詞)
x_train = tf.fit_transform(x_train)
 
print(tf.get_feature_names())  # ["condensed", "condescend", ...]
 
x_test = tf.transform(x_test)  # 不需要重新fit()數據，直接按照訓練集提取的特征詞進行重要性統計。
 
# 進行樸素貝葉斯算法的預測
mlt = MultinomialNB(alpha=1.0)  # alpha表示拉普拉斯平滑系數，默認1
print(x_train.toarray())  # toarray() 將稀疏矩陣以稠密矩陣的形式顯示。
'''
[[ 0.     0.          0.   ...,  0.04234873  0.   0. ]
 [ 0.     0.          0.   ...,  0.          0.   0. ]
 ...,
 [ 0.     0.03934786  0.   ...,  0.          0.   0. ]
'''
mlt.fit(x_train, y_train)  # 填充訓練集數據
 
# 預測類別
y_predict = mlt.predict(x_test)
print("預測的文章類別為：", y_predict)  # [4 18 8 ..., 15 15 4]
 
# 準確率
print("準確率為：", mlt.score(x_test, y_test))  # 0.853565365025
 
print("每個類別的精確率和召回率：", classification_report(y_test, y_predict, target_names=news.target_names))
'''
                precision  recall  f1-score  support
    alt.atheism   0.86      0.66     0.75      207
  comp.graphics   0.85      0.75     0.80      238
 sport.baseball   0.96      0.94     0.95      253
 ...,
'''

召回率的意義(應用場景)：產品的不合格率(不想漏掉任何一個不合格的產品，查全)；癌癥預測（不想漏掉任何一個癌癥患者）

感謝各位的閱讀，以上就是“pytorch中計算準確率,召回率和F1值的方法”的內容了，經過本文的學習后，相信大家對pytorch中計算準確率,召回率和F1值的方法這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關知識點的文章，歡迎關注！