如何计算用python计算recall和Precision

在计算recall和Precision之前，需要先明确以下几个概念：

• TP：True Positive，即实际为正样本且预测为正样本的数量
• TN：True Negative，即实际为负样本且预测为负样本的数量
• FP：False Positive，即实际为负样本但预测为正样本的数量
• FN：False Negative，即实际为正样本但预测为负样本的数量

根据上述概念，可以得到以下公式：

$$Precision = \frac{TP}{TP+FP}$$

$$Recall = \frac{TP}{TP+FN}$$

接下来是利用Python计算Precision和Recall的示例代码：

# 预测结果
y_pred = [1, 0, 1, 1, 0, 1, 0, 1, 0, 0]
# 实际结果
y_true = [1, 0, 1, 0, 1, 0, 1, 0, 0, 1]

# 计算TP、TN、FP、FN
TP = sum([1 for i in range(len(y_true)) if y_true[i]==1 and y_pred[i]==1])
TN = sum([1 for i in range(len(y_true)) if y_true[i]==0 and y_pred[i]==0])
FP = sum([1 for i in range(len(y_true)) if y_true[i]==0 and y_pred[i]==1])
FN = sum([1 for i in range(len(y_true)) if y_true[i]==1 and y_pred[i]==0])

# 计算Precision和Recall
precision = TP / (TP + FP)
recall = TP / (TP + FN)

print("Precision: {:.2f}".format(precision))
print("Recall: {:.2f}".format(recall))

输出结果如下：

Precision: 0.80
Recall: 0.67

其中，Precision为0.80，表示80%的预测为正样本的样本实际上是正样本；Recall为0.67，表示有67%的正样本被正确地预测为正样本。