只区分 0 或 1。
它的行代表真实的类别，列代表预测的类别。
以第一行为例，真正的类别标签是 0，
有 8 个实例被预测为了 0，有 2 个实例被预测为了 1。
也就是说，在这 10 个真实标签为 0 实例中，有 8 个被正确分类，有 2 个被错误分类。

第二行这 10 个真实标签为 1 的实例中，3 个预测错了，7个预测对了。
    

 
https://cloud.tencent.com/developer/article/1935919

https://zhuanlan.zhihu.com/p/436195289
    

 
召回率（Recall）：
召回率衡量了分类模型 正确预测为正例的样本数量 占 所有实际正例样本数量的比例。

 
计算公式为：
召回率 = TP / (TP + FN)，

其中
TP表示真正例（True Positive），
FN表示假反例（False Negative）。

召回率越高，表示模型能够更好地捕捉到正例样本。

 
查准率（Precision）：
查准率衡量了分类模型预测为正例的样本中真正为正例的比例。
  

 
计算公式为：
查准率 = TP / (TP + FP)，

其中
TP表示真正例（True Positive），
FP表示假正例（False Positive）。

查准率越高，表示模型预测为正例的样本中真正为正例的比例越高。

 
F-度量（F-Measure）：
F-度量综合考虑了召回率和查准率，是召回率和查准率的调和平均值。

 
计算公式为：
F-度量 = 2 * (查准率 * 召回率) / (查准率 + 召回率)。

F-度量综合了召回率和查准率的优势，能够更全面地评估分类模型的性能。

sklearn

 
from sklearn.metrics import confusion_matrix  

# 输出混淆矩阵  
print("Confusion Matrix:")
confusion_matrix(y_test, pred)
    

 
Confusion Matrix:

array([[5494,    0],
        [   2,   47]])
    

pandas

 
pd.crosstab(y_test, pred, rownames=['Actual'], colnames=['Predicted'])
    

预测正确的数量占总数的比例

 
import numpy as np
np.random.seed(73)
y_pred=np.random.randint(low=0,high=2,size=(10))
y_test=np.random.randint(low=0,high=2,size=(10))

acc = (y_pred==y_test).mean()
acc = np.round(acc,decimals=4)
acc
    

 
等价于 == 转化为  true/false后的均值 
    ---------------------------------------------------------------------

 
from sklearn.metrics import accuracy_score,roc_auc_score, confusion_matrix, classification_report, roc_curve, auc,f1_scor
    
# 预测测试集
y_pred = model.predict(X_test)
y_pred

 
array([1, 0, 0, 1, 1, 0, 0, 0, 1, 1, 1, 0, 1, 0, 1, 0, 1, 1, 1, 0, 1, 1,
    0, 1, 1, 1, 1, 1, 1, 0, 1, 1, 1, 1, 1, 1, 0, 1, 0, 1, 1, 0, 1, 1,
    1, 1, 1, 1, 1, 1, 0, 0, 1, 1, 1, 1, 1, 0, 1, 1, 1, 0, 0, 1, 1, 1,
    0, 0, 1, 1, 0, 0, 1, 0, 1, 1, 1, 1, 1, 1, 0, 1, 1, 0, 0, 0, 0, 0,
    1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 1, 0, 0, 1, 0, 0, 1, 1, 1, 0, 1, 1,
    0, 1, 0, 0])

    

 
roc_auc_score(y_test, y_pred)  # 0.9464461185718965

 
from sklearn.metrics import accuracy_score,roc_auc_score, confusion_matrix, classification_report, roc_curve, auc,f1_score

 
y_scores = model.predict_proba(X_test)[:, 1]  # 获取预测为恶性的概率
fpr, tpr, thresholds = roc_curve(y_test, y_scores)
roc_auc = auc(fpr, tpr)
roc_auc  # 0.9977071732721913

分析差异的原因

 
阈值选择：
第一种方法依赖于一个固定的阈值（通常是0.5）来将概率转换为分类标签。
这个阈值可能不是最优的，导致分类性能不是最佳的。
    
信息利用：
第二种方法利用了完整的概率分布信息，
通过计算不同阈值下的FPR和TPR来绘制ROC曲线，并计算AUC。
这种方法通常更准确地反映了模型的性能。

哪种方法更准确？

 
在大多数情况下，
第二种方法（使用概率预测和 roc_curve、auc 函数）更准确地反映了模型的性能。

这是因为这种方法没有将概率预测简单地二值化为分类标签，
而是利用了模型输出的全部信息。

可能的解释

 
第一种方法可能由于选择了不合适的阈值（例如默认的0.5）而导致AUC值较低。

第二种方法通过考虑所有可能的阈值来全面评估模型性能，因此通常更可靠。

 
精确率
准确率
召回率
auc
F1 值