不平衡类classification_report支持值的表示
我有一个不平衡的数据集，我正在尝试进行二进制分类。最后，我使用了几种算法，CatBoostClassifier和lightgbm给了我比较好的结果。关于classification_report和confusion_matrix，我有一个问题要问。
从我的classification_report：-True Negatives：1076，-False Positives：0，-False Negatives：1，-True Positives：6可以看出。
Sensitivity：0.86和Specificity 1.00，这意味着我的false positive rate为0.0。
我认为它确实表现得很好。
从classification_report中，它是否告诉你，我的模型可能已经安装过了，或者它确实表现得很好？
我之所以这样问，是因为1类的1(数量较少)是7，而0类是1076。
link说：“支持的是该类中真正响应的样本数。”但我不太明白重点。
有人能向我解释，或者让我知道我的算法是否太适合或者表现得很好吗？
标签比率：
0 5550
1 60分类报告
precision recall f1-score support
0.0 1.00 1.00 1.00 1076
1.0 1.00 0.86 0.92 7
accuracy 1.00 1083
macro avg 1.00 0.93 0.96 1083
weighted avg 1.00 1.00 1.00 1083混淆矩阵：
[[1076 0]
[ 1 6]]回答 1
Stack Overflow用户
发布于 2020-11-30 12:30:47
如果你同时看一看训练集和测试集的分类报告，你就能更好地理解事情，你不能说任何事情，只看训练集的性能，或者单独看火车组。但是，如果我们假设您在这里展示的性能度量是针对测试集的，并且火车组的性能与您在测试集中观察到的性能大致相同，那么我想说，这个模型做得很好。对于类1的回忆是86%，因为它只形成了数据集的1%这一事实非常好。
此外，支持是指数据集中属于特定类的示例总数，例如，在您的示例中，对类0的支持是5550，对类1的支持是60。
https://stackoverflow.com/questions/65072978
复制相似问题
腾讯云开发者
