回答編集履歴
9
edit
answer
CHANGED
|
@@ -70,4 +70,29 @@
|
|
|
70
70
|
recall = recall_score(y_true, y_pred, pos_label=0)
|
|
71
71
|
print(precision)
|
|
72
72
|
print(recall)
|
|
73
|
-
```
|
|
73
|
+
```
|
|
74
|
+
|
|
75
|
+
---
|
|
76
|
+
|
|
77
|
+
追記２
|
|
78
|
+
https://aidemy.net/courses/2010/exercises/HJglFn8sUez
|
|
79
|
+
をやってきました。
|
|
80
|
+
|
|
81
|
+
私が最初に混乱したように、このサイトに書かれていることはねじれています。
|
|
82
|
+
[TP FN] [2 1]
|
|
83
|
+
[FP TN] [0 3]
|
|
84
|
+
を信じてやるとうまく計算できません。
|
|
85
|
+
多分作成者が`confmat = confusion_matrix(y_true, y_pred)`を持ってきて満足したと思われます。
|
|
86
|
+
|
|
87
|
+
そして、ヒントに従ってsklearnのprecision_score()とrecall_score()を使うと、
|
|
88
|
+
[TP FN] [3 0]
|
|
89
|
+
[FP TN] [1 2]
|
|
90
|
+
として計算されて、そしてこの作者、またもやlabelを指定せずに答えを作ったものだからパスします。
|
|
91
|
+
|
|
92
|
+
そして真面目にやっている人は詰まるわけです。
|
|
93
|
+
|
|
94
|
+
たぶん作者は最初は1が陽性のつもりで書いたが、confusion_matrixとの整合性が取れなくなって、
|
|
95
|
+
0が陽性であると、コメントを付け加えたものと想像します。
|
|
96
|
+
|
|
97
|
+
検索してみましたが、この誤植についての情報はありませんでした。
|
|
98
|
+
やっている人口が著しく少ないのか、誰も確かめずにスルーしてしまったか、という状況のようです。
|
8
edit
answer
CHANGED
|
@@ -52,4 +52,22 @@
|
|
|
52
52
|
1.0
|
|
53
53
|
recall:
|
|
54
54
|
0.6666666666666666
|
|
55
|
+
```
|
|
56
|
+
|
|
57
|
+
コードはこう。
|
|
58
|
+
```python
|
|
59
|
+
from sklearn.metrics import precision_score
|
|
60
|
+
from sklearn.metrics import confusion_matrix
|
|
61
|
+
from sklearn.metrics import recall_score, f1_score
|
|
62
|
+
|
|
63
|
+
y_true = [0,0,0,1,1,1]
|
|
64
|
+
y_pred = [1,0,0,1,1,1]
|
|
65
|
+
confmat = confusion_matrix(y_true, y_pred, labels=[0, 1])
|
|
66
|
+
|
|
67
|
+
print (confmat)
|
|
68
|
+
|
|
69
|
+
precision = precision_score(y_true, y_pred, pos_label=0)
|
|
70
|
+
recall = recall_score(y_true, y_pred, pos_label=0)
|
|
71
|
+
print(precision)
|
|
72
|
+
print(recall)
|
|
55
73
|
```
|
7
edit
answer
CHANGED
|
@@ -27,9 +27,29 @@
|
|
|
27
27
|
print(recall)
|
|
28
28
|
```
|
|
29
29
|
|
|
30
|
+
---
|
|
31
|
+
|
|
30
32
|
追記：
|
|
31
33
|
逆に0を陽性にしたいのであれば、
|
|
32
34
|
`precision_score(y_true, y_pred, labels=None, pos_label=1, average=’binary’, sample_weight=None)`
|
|
33
35
|
がデフォルトのところ、
|
|
34
36
|
`pos_label=0`
|
|
35
|
-
をつけてください。
|
|
37
|
+
をつけてください。
|
|
38
|
+
|
|
39
|
+
---
|
|
40
|
+
|
|
41
|
+
TP/ FN+TP
|
|
42
|
+
2/(1+2)=2/3=0.33 -> 0.66
|
|
43
|
+
|
|
44
|
+
---
|
|
45
|
+
|
|
46
|
+
もともとも問題設定を重視するのであれば、
|
|
47
|
+
```
|
|
48
|
+
confmat:
|
|
49
|
+
[[2 1]
|
|
50
|
+
[0 3]]
|
|
51
|
+
precision:
|
|
52
|
+
1.0
|
|
53
|
+
recall:
|
|
54
|
+
0.6666666666666666
|
|
55
|
+
```
|
6
edit
answer
CHANGED
|
@@ -25,4 +25,11 @@
|
|
|
25
25
|
recall = recall_score(y_true, y_pred)
|
|
26
26
|
print(precision)
|
|
27
27
|
print(recall)
|
|
28
|
-
```
|
|
28
|
+
```
|
|
29
|
+
|
|
30
|
+
追記：
|
|
31
|
+
逆に0を陽性にしたいのであれば、
|
|
32
|
+
`precision_score(y_true, y_pred, labels=None, pos_label=1, average=’binary’, sample_weight=None)`
|
|
33
|
+
がデフォルトのところ、
|
|
34
|
+
`pos_label=0`
|
|
35
|
+
をつけてください。
|
5
edit
answer
CHANGED
|
@@ -1,5 +1,5 @@
|
|
|
1
|
-
TP[3
|
|
1
|
+
TP[3 0]FN
|
|
2
|
-
FP[
|
|
2
|
+
FP[1 2]TN
|
|
3
3
|
ですね。
|
|
4
4
|
|
|
5
5
|
http://www.baru-san.net/archives/141
|
|
@@ -7,21 +7,20 @@
|
|
|
7
7
|
confusion_metrixが混乱しました。
|
|
8
8
|
失礼しました。
|
|
9
9
|
|
|
10
|
+
配列の`1`が陽性positive、`0`が陰性negative
|
|
11
|
+
をconfusion_metrixの計算でsklearnが察してくれていなくって、labelsのキーワードを与えます。
|
|
12
|
+
|
|
10
13
|
```python
|
|
11
14
|
from sklearn.metrics import precision_score
|
|
12
15
|
from sklearn.metrics import confusion_matrix
|
|
13
16
|
from sklearn.metrics import recall_score, f1_score
|
|
14
17
|
|
|
15
|
-
# データを格納します。今回は0が陽性、1が陰性を示しています
|
|
16
18
|
y_true = [0,0,0,1,1,1]
|
|
17
19
|
y_pred = [1,0,0,1,1,1]
|
|
18
20
|
confmat = confusion_matrix(y_true, y_pred, labels=[1, 0])
|
|
19
|
-
|
|
21
|
+
|
|
20
|
-
#y_predには、予想されたクラスが配列で格納
|
|
21
|
-
# 結果を出力します。
|
|
22
22
|
print (confmat)
|
|
23
23
|
|
|
24
|
-
# 適合率と再現率をあらかじめ計算します
|
|
25
24
|
precision = precision_score(y_true, y_pred)
|
|
26
25
|
recall = recall_score(y_true, y_pred)
|
|
27
26
|
print(precision)
|
4
edit
answer
CHANGED
|
@@ -1,7 +1,29 @@
|
|
|
1
|
-
|
|
1
|
+
TP[3 1]FN
|
|
2
|
+
FP[0 2]TN
|
|
3
|
+
ですね。
|
|
2
4
|
|
|
5
|
+
http://www.baru-san.net/archives/141
|
|
6
|
+
|
|
7
|
+
confusion_metrixが混乱しました。
|
|
3
|
-
|
|
8
|
+
失礼しました。
|
|
9
|
+
|
|
4
|
-
|
|
10
|
+
```python
|
|
5
|
-
|
|
11
|
+
from sklearn.metrics import precision_score
|
|
12
|
+
from sklearn.metrics import confusion_matrix
|
|
13
|
+
from sklearn.metrics import recall_score, f1_score
|
|
14
|
+
|
|
6
|
-
|
|
15
|
+
# データを格納します。今回は0が陽性、1が陰性を示しています
|
|
7
|
-
|
|
16
|
+
y_true = [0,0,0,1,1,1]
|
|
17
|
+
y_pred = [1,0,0,1,1,1]
|
|
18
|
+
confmat = confusion_matrix(y_true, y_pred, labels=[1, 0])
|
|
19
|
+
#y_trueには、正解データの実際のクラスが配列で格納
|
|
20
|
+
#y_predには、予想されたクラスが配列で格納
|
|
21
|
+
# 結果を出力します。
|
|
22
|
+
print (confmat)
|
|
23
|
+
|
|
24
|
+
# 適合率と再現率をあらかじめ計算します
|
|
25
|
+
precision = precision_score(y_true, y_pred)
|
|
26
|
+
recall = recall_score(y_true, y_pred)
|
|
27
|
+
print(precision)
|
|
28
|
+
print(recall)
|
|
29
|
+
```
|
3
edit
answer
CHANGED
|
@@ -1,7 +1,7 @@
|
|
|
1
|
+
失礼しました。何か勘違いしました…
|
|
2
|
+
|
|
1
|
-
[3 1]
|
|
3
|
+
~~[3 1]
|
|
2
4
|
[0 2]
|
|
3
5
|
ですね。
|
|
4
|
-
|
|
5
|
-
|
|
6
|
+
配列の0が陽性positive、1が陰性negative
|
|
6
|
-
|
|
7
|
-
これをsklearnが察してくれていません。
|
|
7
|
+
これをsklearnが察してくれていません。~~
|
2
edit
answer
CHANGED
|
@@ -1,5 +1,5 @@
|
|
|
1
|
-
[3
|
|
1
|
+
[3 1]
|
|
2
|
-
[
|
|
2
|
+
[0 2]
|
|
3
3
|
ですね。
|
|
4
4
|
|
|
5
5
|
> 配列の0が陽性positive、1が陰性negative
|
1
edit
answer
CHANGED
|
@@ -1,3 +1,7 @@
|
|
|
1
1
|
[3 0]
|
|
2
2
|
[1 2]
|
|
3
|
-
ですね。
|
|
3
|
+
ですね。
|
|
4
|
+
|
|
5
|
+
> 配列の0が陽性positive、1が陰性negative
|
|
6
|
+
|
|
7
|
+
これをsklearnが察してくれていません。
|