J4EasyPart J · 推荐系统与搜索指标
混淆矩阵与综合指标(Precision/Recall/F1)
分类模型评估全家桶,TP/FP/TN/FN 纯手写矩阵构建,精确率、召回率与 Macro/Micro 调和平均。
⏱️ 时间复杂度:
O(N)💾 空间复杂度:
O(1)🎯 免登录实战自测闭环(先做再看答案)
按「机制回忆 → 关键行填空 → 边界反例 → 追问与错题记录」顺序自测,进度自动保存在本地。
Step 1 · 机制口述与数值稳定性自检
Step 2 · 核心代码关键行补全
import numpy as np
def compute_classification_metrics(y_true: np.ndarray, y_pred: np.ndarray) -> dict:
"""手写二分类混淆矩阵与评估指标"""
tp =
fp = int(np.sum((y_true == 0) & (y_pred == 1)))
fn = int(np.sum((y_true == 1) & (y_pred == 0)))
tn = int(np.sum((y_true == 0) & (y_pred == 0)))
precision = tp / (tp + fp) if (tp + fp) > 0 else 0.0
recall = tp / (tp + fn) if (tp + fn) > 0 else 0.0
f1 =
return {
"tp": tp, "fp": fp, "fn": fn, "tn": tn,
"precision": float(precision),
"recall": float(recall),
"f1": float(f1)
}
Step 3 · 反例与边界断言核对
💡
实战一句话记忆口诀
预测为正选准率,真实为正看召回,调和平均算 F1,短板归零不含糊
📐 核心数学公式与机理推导
### 四象限划分与宏观/微观集成
在二分类中:
- TP(真阳性):预测为 1,真实为 1;
- FP(假阳性/误报):预测为 1,真实为 0;
- FN(假阴性/漏报):预测为 0,真实为 1;
- TN(真阴性):预测为 0,真实为 0;
F1-Score 是精确率与召回率的调和平均数(Harmonic Mean):
调和平均相比算术平均更倾向于严厉惩罚极端短板项(若一方为 0,F1 直接归零)。
多类别场景:
- Macro-F1:对每个类别独立计算 F1 后取算术平均,给予每个类别同等话语权(适合关注长尾少数类);
- Micro-F1:将全网总 TP, FP, FN 统一累加后计算一个全局 F1(受高频多数类主导)。
在二分类中:
- TP(真阳性):预测为 1,真实为 1;
- FP(假阳性/误报):预测为 1,真实为 0;
- FN(假阴性/漏报):预测为 0,真实为 1;
- TN(真阴性):预测为 0,真实为 0;
F1-Score 是精确率与召回率的调和平均数(Harmonic Mean):
调和平均相比算术平均更倾向于严厉惩罚极端短板项(若一方为 0,F1 直接归零)。
多类别场景:
- Macro-F1:对每个类别独立计算 F1 后取算术平均,给予每个类别同等话语权(适合关注长尾少数类);
- Micro-F1:将全网总 TP, FP, FN 统一累加后计算一个全局 F1(受高频多数类主导)。
🔄 张量维度与形状流转说明
y_true, y_pred (N,) -> 逻辑与运算计数 TP,FP,FN,TN -> 闭式解算 P, R, F1
🛡️ 数值稳定性自检与边界要点
- 分母为 0(如模型预测全为 0 导致 TP+FP=0)时必须安全分支返回 0.0
- 在极端风控反欺诈场景中,召回率 Recall 往往置于第一优先级(宁可多查,绝不放过)
💻 完整参考代码实现
import numpy as np
def compute_classification_metrics(y_true: np.ndarray, y_pred: np.ndarray) -> dict:
"""手写二分类混淆矩阵与评估指标"""
tp = int(np.sum((y_true == 1) & (y_pred == 1)))
fp = int(np.sum((y_true == 0) & (y_pred == 1)))
fn = int(np.sum((y_true == 1) & (y_pred == 0)))
tn = int(np.sum((y_true == 0) & (y_pred == 0)))
precision = tp / (tp + fp) if (tp + fp) > 0 else 0.0
recall = tp / (tp + fn) if (tp + fn) > 0 else 0.0
f1 = 2 * precision * recall / (precision + recall) if (precision + recall) > 0 else 0.0
return {
"tp": tp, "fp": fp, "fn": fn, "tn": tn,
"precision": float(precision),
"recall": float(recall),
"f1": float(f1)
}
🧪 本地测试与正确性断言
可直接复制到本地 Python / Jupyter 验证:
import numpy as np
yt = np.array([1, 1, 0, 0])
yp = np.array([1, 0, 1, 0])
m = compute_classification_metrics(yt, yp)
assert m["tp"] == 1 and m["fp"] == 1 and m["fn"] == 1 and m["tn"] == 1
assert np.isclose(m["precision"], 0.5)
assert np.isclose(m["recall"], 0.5)
assert np.isclose(m["f1"], 0.5)
print("✓ 混淆矩阵与 F1 综合指标自测通过")🎯 核心工程追问与标准应答
Q1:在垃圾邮件过滤与癌症筛查两个场景中,我们应该分别优先优化 Precision 还是 Recall?
垃圾邮件过滤优先保 Precision(精确率):绝不能把正常的重要商务邮件错误误判进垃圾箱(容忍轻微漏网);癌症筛查优先保 Recall(召回率):宁可让健康人做二次复查,也绝不能遗漏任何一个真正的早期恶性肿瘤患者。
⚡
想检验本题的肌肉记忆?进入 3 阶闪卡主动回忆盲测
隐藏答案遮罩,自测:审题锚点 ➔ 数理公式机理 ➔ 工业标杆代码与连环追问。3 分钟攻破认知盲区!