sklearn.metrics.precision_recall_curve：为什么精度和重新调用返回的数组而不是单个值

Question

我正在计算我最近准备的数据集上的现成算法的精度和召回率。

这是一个二元分类问题，我希望计算我构建的每个分类器的精度，召回率和f分数。

test_x, test_y, predics, pred_prob,score = CH.buildBinClassifier(data,allAttribs,0.3,50,'logistic')

构建分类器方法基本上构建分类器，拟合训练数据并返回test_x（测试数据的特征），test_y（地面实况标签），预测（由分类器做出的预测），red_prob（来自LogisiticRegression.predict_proba预测概率） LogisiticRegression.predict_proba方法）。

以下是计算精确召回的代码：

from sklearn.metrics import precision_recall_curve

pr, re, _ = precision_recall_curve(test_y,pred_prob,pos_label=1)
pr
(array([ 0.49852507,  0.49704142,  0.49554896,  0.49702381,  0.49850746,
         0.5       ,  0.5015015 ,  0.50301205,  0.50453172,  0.50606061,
         . . . . . . . 
         0.875     ,  1.        ,  1.        ,  1.        ,  1.        ,
         1.        ,  1.        ,  1.        ,  1.        ])
re
array([ 1.        ,  0.99408284,  0.98816568,  0.98816568,  0.98816568,
         0.98816568,  0.98816568,  0.98816568,  0.98816568,  0.98816568,
         . . . . . . . 
         0.04142012,  0.04142012,  0.03550296,  0.0295858 ,  0.02366864,
         0.01775148,  0.01183432,  0.00591716,  0.        ]))

我不明白为什么精确和召回阵列？ 它们不应该只是单个数字吗？

由于精度计算为tpf/(tpf+fpf)并且同样可以回想起定义？

我知道通过下面的代码计算平均精度回忆，但不知何故看到数组而不是tpf，fpf，精度和召回让我想知道发生了什么。

from sklearn.metrics import precision_recall_fscore_support as prf

precision,recall,fscore,_ = prf(test_y,predics,pos_label=1,average='binary')

编辑：但没有average和pos_label参数，它会报告每个类的精度。 有人可以解释这两种方法的输出之间的差异吗？

Answer 1

在二进制分类问题中，pred_prob是实例在每个类中的概率，因此实际上预测值（类）取决于该概率，而另一个值则称为阈值。 pred_prob大于阈值的所有实例都分为一类，而另一类则更小。 默认阈值为0.5。

因此，改变阈值我们有不同的预测结果。 在许多问题中，通过调整阈值可以获得更好的结果。 这就是为您提供precision_recall_curve的原因。

Answer 2

来自precision_recall_curve的sklearn文档：

计算不同概率阈值的精确回忆对。

像逻辑回归这样的分类器模型实际上不输出类标签（如“0”或“1”），它们输出概率 （如0.67）。 这些概率告诉您输入样本属于特定类的可能性，如正（“1”）类。 但是您仍然需要选择概率阈值，以便算法可以将概率（0.67）转换为类（“1”）。

如果选择阈值0.5，则计算概率大于0.5的所有输入样本将分配给正类。 如果您选择不同的阈值，并且您获得了分配给正负类的不同数量的样本，因此不同的精度和召回分数。