Kappa系数
首先，我们介绍一下kappa系数：
kappa系数是用在统计学中评估一致性的一种方法，我们可以用他来进行多分类模型准确度的评估，这个系数的取值范围是[-1,1]，实际应用中，一般是[0,1]，与ROC曲线中一般不会出现下凸形曲线的原理类似。
这个系数的值越高，则代表模型实现的分类准确度越高。kappa系数的计算方法可以这样来表示：
k=(po−pe)/(1−pe)
其中，p0表示为总的分类准确度;
pe表示为
pe=a1×b1+a2×b2+...+aC×bC/n×n
其中，ai代表第i类真实样本个数，bi代表第i类预测出来的样本个数。
例子
例子数据来源:
https://blog.csdn.net/xtingjie/article/details/72803029
对于该表中的数据，则有：
po=(239+73+280)/664=0.8916
pe=(261×276+103×93+300×295)/664×664=0.3883
k=(po−pe)/(1−pe)=(0.8916−0.3883)/(1−0.3883)=0.8228
代码
用python语言来实现，则有:
def kappa(matrix):
n = np.sum(matrix)
sum_po = 0
sum_pe = 0
for i in range(len(matrix[0])):
sum_po += matrix[i][i]
row = np.sum(matrix[i, :])
col = np.sum(matrix[:, i])
sum_pe += row * col
po = sum_po / n
pe = sum_pe / (n * n)
# print(po, pe)
return (po - pe) / (1 - pe)
1234567891011121314
其中，matrix是一个方阵，若共有i个类别，则matrix.shape = (i,i).
用下面的代码进行测试:
import numpy as np
matrix = [
[239,21,16],
[16,73,4]
[6,9,280]]
matrix = np.array(matrix)
print(kappa(matrix))12345678
转自https://blog.csdn.net/xtingjie/article/details/72803029