如何解读科学分类报告-学习？

Question

如您所见，它是关于使用linearSVC进行二进制分类的。1级的查全率高于0级(+7%)，0级的查全率高于1级(+11%)。你怎么解释这件事？

还有另外两个问题：“支持”代表什么？分类报告中的查准率和召回分数与sklearn.metrics.precision_score或recall_score的结果不同。为什么是这样？

Answer 1

分类报告是关于分类问题中的关键指标的。

你会有精确，回忆，F1评分和支持，每一个类别，你想要找到的。

• 召回的意思是“在这个类的所有元素中找到多少个这个类”。
• 精确性将是“有多少人被正确地分类在这类中”。
• F1评分是查全率和召回率之间的调和均值。
• 支持是给定类在您的数据集中出现的次数(所以您有类0的37.5K和类1的37.5K，这是一个非常平衡的数据集)。

问题是，对于不平衡的数据集，精确性和召回率是很高的，因为在高度不平衡的数据集中，99%的准确率可能毫无意义。

我想说的是，除非一个给定的类被绝对正确地确定，否则您实际上不需要考虑这些度量标准。

要回答另一个问题，您不能比较两个类的精确度和召回率。这只意味着您的分类器更好地找到0类，而不是类1。

sklearn.metrics.precision_score或recall_score的精确性和召回率不应不同。但是，只要不提供代码，就不可能确定造成这种情况的根本原因。

Answer 2

我们可以想象出它的精确程度，并回忆起它是如何网住一群鱼的。

成像，我们划船在海上，并放下了我们的网。

• 如果鱼的驱动是巨大的，而网是相当小的->我们会看到鱼在非常位置的网，意味着精度很高。但我们只有少数人开车，这意味着召回率很低。
• 与此同时，只有一小部分鱼，但我们有一个巨大的->网，我们将看到，只有一小部分的网有鱼，意味着精度很低。但幸运的是，我们在开车的时候抓到了每一条鱼，意味着回忆是很高的。