一次性计算精度、召回率和 F 分数 - python

准确度、精确度、召回率和 f 分数是机器学习系统中系统质量的衡量标准。它取决于真/假阳性/阴性的混淆矩阵。

给定一个二元分类任务，我尝试了以下方法来获得返回准确度、精确度、召回率和 f 分数的函数：

gold = [1] + [0] * 9
predicted = [1] * 10

def evaluation(gold, predicted):
  true_pos = sum(1 for p,g in zip(predicted, gold) if p==1 and g==1)
  true_neg = sum(1 for p,g in zip(predicted, gold) if p==0 and g==0)
  false_pos = sum(1 for p,g in zip(predicted, gold) if p==1 and g==0)
  false_neg = sum(1 for p,g in zip(predicted, gold) if p==0 and g==1)
  try:
    recall = true_pos / float(true_pos + false_neg)
  except:
    recall = 0
  try:
    precision = true_pos / float(true_pos + false_pos)
  except:
    precision = 0
  try:
    fscore = 2*precision*recall / (precision + recall)
  except:
    fscore = 0
  try:
    accuracy = (true_pos + true_neg) / float(len(gold))
  except:
    accuracy = 0
  return accuracy, precision, recall, fscore

但似乎我已经冗余地循环了数据集 4 次以获得真/假阳性/阴性。

还有多重try-excepts抓住ZeroDivisionError有点多余。

那么，在不多次循环数据集的情况下获取真/假阳性/阴性计数的 Pythonic 方法是什么？

我如何以Python方式捕捉ZeroDivisionError没有多次尝试例外？

我还可以执行以下操作来计算一个循环中的真/假阳性/阴性，但是有没有其他方法而不需要多个if?:

for p,g in zip(predicted, gold):
    if p==1 and g==1:
        true_pos+=1
    if p==0 and g==0:
        true_neg+=1
    if p==1 and g==0:
        false_pos+=1
    if p==0 and g==1:
        false_neg+=1

获取 True/False 计数的 pythonic 方法是什么 无需多次循环数据集的正值/负值？

我会用一个collections.Counter，大致上你正在做什么ifs（你应该使用elifs，因为您的条件是互斥的）最后：

counts = Counter(zip(predicted, gold))

然后例如true_pos = counts[1, 1].

我如何用Python方式捕获ZeroDivisionError而不需要多个 尝试例外？

首先，你应该（几乎）永远不要使用裸露的except:。如果你抓住了ZeroDivisionErrors，然后写except ZeroDivisionError。您还可以考虑“三思而后行”方法，检查分母是否为0在尝试除法之前，例如

accuracy = (true_pos + true_neg) / float(len(gold)) if gold else 0