python实现计算精度召回率和F1值

Posted 2022-12-22

python实现计算精度、召回率和F1值

  摘要：在深度学习的分类任务中，对模型的评估或测试时需要计算其在验证集或测试集上的预测精度（prediction/accuracy）、召回率（recall）和F1值。本文首先简要介绍如何计算精度、召回率和F1值，其次给出python编写的模块，可直接将该模块导入在自己的项目中，最后给出这个模块的实际使用效果。

一、混淆矩阵及P、R、F1计算原理

1、混淆矩阵

方阵，其中 表示类的个数。矩阵可用下面表示：

因此该矩阵的某一个元素 表示实际类 被预测成 的样本个数。很显然，当前仅当

2、P、R、F1值
  基于混淆矩阵可以很轻松的计算出精度、召回率和F1值，以及微平均和宏平均。

1. 样本的总体精度（微平均，all_prediction）：混淆矩阵主对角线上元素和除以混淆矩阵所有元素和。公式为：
   
2. 某个类 的精度（label_i_prediction）:元素 除以下标为 的纵坐标元素和。公式为：
   
3. 某各类 的召回率（label_i_recall）：元素 除以下标为 的横坐标元素和。公式为：
   
4. 样本的总体召回率（宏平均 MACRO-averaged）： 所有类的召回率的平均值。公式为：
   
5. 样本的总体精度（宏平均 MACRO-averaged）：区别于第一个，宏平均为所有类的精度的均值。公式为：
   
6. F1值：总体样本（或某个类）的精度和召回率满足如下：
   

3、样例计算
  为了更加清楚的理解上面的计算公式，给出一个关系抽取的实例，例如下面的混淆矩阵，横坐标为实际类，纵坐标为预测的类，一共19个类。

总体均值为：

各个类的精度、召回率和F1值为：

宏平均精度为、宏平均召回率为、F1值为。

二、python模块

  为了在实际实验中更快捷的计算相应值，许多集成的perl脚本可以很轻松的实现计算，但为了更加方便用户编辑以及无缝接入自己的项目中，本文实现python的简单脚本。用户仅需import即可调用，源码如下：

#####模块说明######

根据传入的文件true_label和predict_label来求模型预测的精度、召回率和F1值，另外给出微观和宏观取值。
powered by wangjianing 2019.3.2


import numpy as np

def getLabelData(file_dir):
    
    模型的预测生成相应的label文件，以及真实类标文件，根据文件读取并加载所有label
    1、参数说明：
        file_dir：加载的文件地址。
        文件内数据格式：每行包含两列，第一列为编号1,2，...，第二列为预测或实际的类标签名称。两列以空格为分隔符。
        需要生成两个文件，一个是预测，一个是实际类标，必须保证一一对应，个数一致
    2、返回值：
        返回文件中每一行的label列表，例如[true,false,false,...,true]
    
    labels = []
    with open(file_dir,r,encoding="utf-8") as f:
        for i in f.readlines():
            labels.append(i.strip().split( )[1])
    return labels

def getLabel2idx(labels):
    
    获取所有类标
    返回值：label2idx字典，key表示类名称，value表示编号0,1,2...
    
    label2idx = dict()
    for i in labels:
        if i not in label2idx:
            label2idx[i] = len(label2idx)
    return label2idx


def buildConfusionMatrix(predict_file,true_file):
    
    针对实际类标和预测类标，生成对应的矩阵。
    矩阵横坐标表示实际的类标，纵坐标表示预测的类标
    矩阵的元素(m1,m2)表示类标m1被预测为m2的个数。
    所有元素的数字的和即为测试集样本数，对角线元素和为被预测正确的个数，其余则为预测错误。
    返回值：返回这个矩阵numpy

    
    true_labels = getLabelData(true_file)
    predict_labels = getLabelData(predict_file)
    label2idx = getLabel2idx(true_labels)
    confMatrix = np.zeros([len(label2idx),len(label2idx)],dtype=np.int32)
    for i in range(len(true_labels)):
        true_labels_idx = label2idx[true_labels[i]]
        predict_labels_idx = label2idx[predict_labels[i]]
        confMatrix[true_labels_idx][predict_labels_idx] += 1
    return confMatrix,label2idx



def calculate_all_prediction(confMatrix):
    
    计算总精度：对角线上所有值除以总数
    
    total_sum = confMatrix.sum()
    correct_sum = (np.diag(confMatrix)).sum()
    prediction = round(100*float(correct_sum)/float(total_sum),2)
    return prediction

def calculate_label_prediction(confMatrix,labelidx):
    
    计算某一个类标预测精度：该类被预测正确的数除以该类的总数
    
    label_total_sum = confMatrix.sum(axis=0)[labelidx]
    label_correct_sum = confMatrix[labelidx][labelidx]
    prediction = 0
    if label_total_sum != 0:
        prediction = round(100*float(label_correct_sum)/float(label_total_sum),2)
    return prediction

def calculate_label_recall(confMatrix,labelidx):
    
    计算某一个类标的召回率：
    
    label_total_sum = confMatrix.sum(axis=1)[labelidx]
    label_correct_sum = confMatrix[labelidx][labelidx]
    recall = 0
    if label_total_sum != 0:
        recall = round(100*float(label_correct_sum)/float(label_total_sum),2)
    return recall

def calculate_f1(prediction,recall):
    if (prediction+recall)==0:
        return 0
    return round(2*prediction*recall/(prediction+recall),2)

def main(predict_file,true_file):
    
    该为主函数，可将该函数导入自己项目模块中
    打印精度、召回率、F1值的格式可自行设计
    
    #读取文件并转化为混淆矩阵,并返回label2idx
    confMatrix,label2idx = buildConfusionMatrix(predict_file,true_file)
    total_sum = confMatrix.sum()
    all_prediction = calculate_all_prediction(confMatrix)
    label_prediction = []
    label_recall = []
    print(total_sum=,total_sum,,label_num=,len(label2idx),\\n)
    for i in label2idx:
        print(  ,i)
    print(  )
    for i in label2idx:
        print(i,end= )
        label_prediction.append(calculate_label_prediction(confMatrix,label2idx[i]))
        label_recall.append(calculate_label_recall(confMatrix,label2idx[i]))
        for j in label2idx:
            labelidx_i = label2idx[i]
            label2idx_j = label2idx[j]
            print(  ,confMatrix[labelidx_i][label2idx_j],end= )
        print(\\n)

    print(prediction(accuracy)=,all_prediction,%)
    print(individual result\\n)
    for ei,i in enumerate(label2idx):
        print(ei,\\t,i,\\t,prediction=,label_prediction[ei],%,\\trecall=,label_recall[ei],%,\\tf1=,calculate_f1(label_prediction[ei],label_recall[ei]))
    p = round(np.array(label_prediction).sum()/len(label_prediction),2)
    r = round(np.array(label_recall).sum()/len(label_prediction),2)
    print(MACRO-averaged:\\nprediction=,p,%,recall=,r,%,f1=,calculate_f1(p,r))

使用说明：

1、在自己的项目中，做模型的测试时，需要将实际类及预测类分别写入文件，格式例如下图：第一列为编号，第二列为类，中间用一个字符的空格隔开。

2、在测试的文件中添加导入模块语句

import prf1（假设这个脚本保存为 prf1.py）

3、模型预测后，执行（其中predict_file和true_file分别表示预测类文件和实际类文件）：

prf1.main(predict_file,true_file)

备注：当然大家可以自己设计main函数中的打印格式

三、使用效果

  博主将该脚本用在自己的实验中，做关于中文学科知识点关系抽取实验中，输出效果如图：

  博客记录着学习的脚步，分享着最新的技术，非常感谢您的阅读，本博客将不断进行更新，希望能够给您在技术上带来帮助。欢迎转载，转载请注明出处