Recall Score
25 July 2020
sklearn.metrics의 recall_score 이용하여 recall 값을 계산해보도록 하겠습니다.
먼저 아래의 그림을 통해 recall의 개념에 대해서 알아보도록 하겠습니다.
classifier를 통해 해당 값이 우리가 구분하려는 카테고리에 속하는 것은 positive, 아닌 것은 negative로 표현하도록 합니다.
그 중에 실제 값으로 속하는 값은 그림에서 relavant elements로 표현됩니다.
classifier가 positive로 판단하면서 실제로 positive인 값은 true positive
classifier가 positive로 판단하면서 실제로 negative인 값은 false positive
classifier가 negative로 판단하면서 실제로 negative인 값은 true negative
classifier가 negative로 판단하면서 실제로 positive인 값은 false negative
와 같이 표현할 수 있습니다.
표현한 모양을 자세히 살펴보면 앞에 붙는 true와 false인 뒤에 따라오는 값이 classifier가 예측한 값과 실제 값이 동일한 경우에는 true, 아닌 경우에는 false인 것을 알 수 있습니다.
recall은 전체 positive 값 중에서 classifier가 예측한 positive 값의 비율로 나타내어집니다.
아래의 수식과 같이 정리할 수 있습니다.
recall = TP / TP + FNTP = classifier가 True로 예측, 실제로도 True
FN = classifier가 False로 예측, 실제로는 True
- init.py
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.metrics import recall_score
from sklearn.datasets import load_wine
wine_data = load_wine()
X_train, X_test, y_train, y_test = train_test_split(wine_data.data, wine_data.target, random_state=1)
estimater = DecisionTreeClassifier()
estimater.fit(X_train, y_train)
predict = estimater.predict(X_test)
print('recall score : {}'.format(recall_score(predict, y_test, average='micro')))
recall score : 0.9555555555555556