2.sklearn—评价指标大全（平均误差、均方误差、混淆矩阵、准确率、查全率、查准率、召回率、特异度，F1-score、G-mean、KS值、ROC曲线、AUC值、损失函数、结构风险最小）

最新推荐文章于 2025-05-04 10:03:06 发布
原创 最新推荐文章于 2025-05-04 10:03:06 发布 · 3.6w 阅读 · 360 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#均方误差 #结构风险、经验风险 #混淆矩阵 #查全率、查准率、特异度 #F1、G-mean、KS值

文章目录

1. 回归问题中的各种误差

1.1 绝对误差和相对误差

  • 绝对误差：
    E = Y − Y ^ E=Y-\hat{Y} E=Y−Y^
  • 相对误差：
    e = Y − Y ^ Y e=\frac{Y-\hat{Y}}{Y} e=YY−Y^​

1.2 平均绝对误差

英文：MeanAbsoluteError,MAE

M A E = 1 n ∑ i = 1 n ∣ Y i − Y ^ i ∣ MAE=\frac{1}{n}\sum_{i=1}^n|{Y_i-\hat{Y}_i}| MAE=n1​i=1∑n​∣Yi​−Y^i​∣

1.3 均方误差！！！zei重要！！！！

英文：Mean Square Error,MSE
m s e = 1 n ∑ i = 1 n ( Y i − Y ^ i ) 2 mse=\frac{1}{n}\sum_{i=1}^n({Y_i-\hat{Y}_i})^2 mse=n1​i=1∑n​(Yi​−Y^i​)2

1.4 均方根误差

英文：Root Mean Square Error,RMSE
R M S E = 1 n ∑ i = 1 n ( Y i − Y ^ i ) 2 RMSE=\sqrt{\frac{1}{n}\sum_{i=1}^n({Y_i-\hat{Y}_i})^2} RMSE=n1​i=1∑n​(Yi​−Y^i​)2 ​

1.5 平均绝对百分误差

英文：Mean Absolute Percentage Error,MAPE
M A P E = 1 n ∑ i = 1 n ∣ Y i − Y i ^ Y i ∣ MAPE=\frac1n\sum_{i=1}^n|\frac{Y_i-\hat{Y_i}}{Y_i}| MAP<

最低0.47元/天 解锁文章

200万优质内容无限畅学
sklearn中的评价指标介绍(异常检测过程记录)
Jasminexjf的博客
03-20 5496
模型评估 评价指标Evaluation metrics 分类评价指标 1 准确率 2 平均准确率 3 对数损失Log-loss 4 基于混淆矩阵的评估度量 41 混淆矩阵 42 精确率Precision 43 召回率Recall 44 F1-score 5 AUCArea under the ...
sklearn之概率类模型的评估指标
清风佐鸣琴
05-31 2316
sklearn.metrics.brier_score_loss sklearn.metrics.brier_score_loss(y_true, y_prob, *, sample_weight=None, pos_label=None)[source]¶ 概率预测的准确程度被称为“校准程度”，是衡量算法预测出的概率和真实结果的差异的一种方式。一种比较常用的指标叫做布里尔分数，它被计算为是概率预测相对于测试样本的均方误差，表示为： Brier Score = 1N∑i=1n(
sklearn评价指标
ucler的博客
09-08 1425
机器学习中，常见的评价指标如下： 准确率（Accuracy） 精确率（Precision） 灵敏度（Sensitivity），即召回率（Recall） 特异度（Specificity） 混淆矩阵（Confusion Matrix） ROC曲线 AUC面积 F1 Score
Python----机器学习（模型评估：准确率、损失函数值、精确度、召回率、F1分数、混淆矩阵、ROC曲线和AUC值、Top-k精度）
最新发布
weixin_64110589的博客
05-04 1944
1. 准确率（Accuracy）：这是最基本的评估指标之一，表示模型在测试集上正确 分类样本的比例。对于分类任务而言，准确率是衡量模型性能的直观标准。2. 损失函数值（Loss）：观察模型在测试集上的损失函数值，可以帮助了解模型的 泛化能力。低损失值表明模型在未见过的数据上的表现较好。3. 精确度（Precision）：精确度是指所有被模型预测为正类的样本中实际为正类 的比例。它关注的是预测为正类的准确性。4. 召回率（Recall）：召回率是指所有实际为正类的样本中被模型正确识别为正类 的比例。
sklearn——metrics模型评估指标
lizz2276的博客
04-18 3979
sklearn——metrics模型评估指标 一、简介 sklearn.metrics中包含了许多模型评估指标，例如决定系数R2、准确度等，下面对常用的分类模型与回归模型的评估指标做一个区分归纳， 二、分类模型指标 1、准确率 　　分类准确率分数是指所有分类正确的百分比。分类准确率这一衡量分类器的标准比较容易理解，但是它不能告诉你响应值的潜在分布，并且它也不能告诉你分类器犯错...
模型评估：评价指标-附sklearn API
热门推荐
百川的博客
10-24 2万+
模型评估有三种不同的方法来评估一个模型的预测质量： estimator的score方法：sklearn中的estimator都具有一个score方法，它提供了一个缺省的评估法则来解决问题。 Scoring参数：使用cross-validation的模型评估工具，依赖于内部的scoring策略。见下。 通过测试集上评估预测误差：sklearn Metric函数用来评估预测误差。 评价指标(Evalua
深度学习分类任务中的准确率、精确率（查准率）、召回率（查全率）、F1值、ROC曲线的AUC值，
chumingqian的博客
01-05 6104
其中关于 TP, TN;FP, FN 的解释；其中;注意，此时这里的正样本代表的 是 预测属于某一类别的样本；负样本则代表预测不属于某一类别的样本。举例说来部分仓库， 与此不一致，列代表真实值，行代表预测值，需要阅读代码的时候，通过查看文档确定；
机器学习性能度量-----查全率和查准率
weixin_44102752的博客
11-28 835
算法改进过程中，设定某个数值评估你的学习算法，并衡量它的表现，有了算法的评估和误差度量值。对算法的改进是十分重要的。但是有一件重要的事情要注意，就是使用一个合适的误差度量值，这有时会对于你的学习算法造成非常微妙的影响。 性能度量 对学习器的泛化性能进行评估，不仅需要有效可行的实验估计方法，还需要有衡量模型泛化能力的评估标准，这就是性能度量（performance measure）. 性能度量反映了...
机器学习指标：准确率、精准率、召回率、F1、ROC曲线、AUC曲线
大鹏的专栏
10-19 1468
还是拿之前的例子，总样本中，90% 是正样本，10% 是负样本。这里，TPR 只关注 90% 正样本中有多少是被真正覆盖的，而与那 10% 毫无关系，同理，FPR 只关注 10% 负样本中有多少是被错误覆盖的，也与那 90% 毫无关系，所以可以看出：如果我们从实际表现的各个结果角度出发，就可以避免样本不平衡的问题了，这也是为什么选用 TPR 和 FPR 作为 ROC/AUC 的指标的原因。举个简单的例子，比如在一个总样本中，正样本占 90%，负样本占 10%，样本是严重不平衡的。这样不利于模型的学习。
python f检验 模型拟合度_模型评估指标（RMSE、MSE、MAE、R2准确率、召回率、F1、ROC曲线、AUC曲线、PR曲线）...
weixin_36276175的博客
03-01 6166
回归RMSE(Root Mean Square Error)均方根误差衡量观测值与真实值之间的偏差。常用来作为机器学习模型预测结果衡量的标准。如果存在个别偏离程度非常大的离群点( Outlier)时，即使离群点数量非常少，也会让RMSE指标变得很差。MSE(Mean Square Error)均方误差通过平方的形式便于求导，所以常被用作线性回归的损失函数。L2 loss对异常敏感，用了MSE为代价...
sklearn模型评估全景：指标详解与应用实例
2402_85758936的博客
07-02 937
在机器学习中，模型评估是衡量算法性能的关键步骤。（简称sklearn）提供了一套全面的模型评估工具，帮助开发者量化模型的准确性、健壮性和其他重要特性。本文将详细介绍sklearn中的模型评估指标，并通过代码示例展示如何应用这些指标。
gmean:分组样本的平均值。-matlab开发
05-30
在某些科学著作中，一旦从感兴趣的人群中收集数据，通常很难了解数据以无组织方式呈现时的含义。 将原始数据组合成有意义的形式，例如频率分布，可以使数据更容易理解和解释。 正是在频率分布的上下文中，遇到了以简洁的方式传达包含在数据中的数字信息的重要性。 因此，分组数据是已被组织成称为类的组的数据。 可以通过构建一个显示变量频率分布的表格（其值在原始数据集中给出）来组织原始数据集。 这种频率表通常称为分组数据。 在这里，我们开发了一个m代码来计算分组数据的平均值。 可以在列形式矩阵中输入包含频率计数和 hist m 函数的 bin 位置的返回或修改向量 n 和 xout。 均值计算使用公式， M = 总和(F*MC)/N 在哪里： F = 班级频率MC = 等级标记N = 样本量 [=sum(F)] 语法：函数y = gmean（x） 输入： x - 数据矩阵（矩阵的大小必须为 n×
gmean:计算几何平均值
05-31
几何平均数 计算数组的。 安装 $ npm install compute-gmean 用法 var gmean = require ( 'compute-gmean' ) ; gmean（arr [，accessor]） 计算array的。 对于数值arrays ， var data = [ 1 , 5 , 2 , 3 , 7 ] ; var mu = gmean ( data ) ; // returns ~2.914 对于非数字arrays ，提供访问数字值的访问器function var arr = [ { 'x' : 1 } , { 'x' : 5 } , { 'x' : 2 } , { 'x' : 3 } , { 'x' : 7 } ] : function getValue ( d ) { return d . x ; } var value =
gmean:广义平均数。-matlab开发
05-31
广义均值，也称为幂均值、Holder 均值或均值的 Kolmogorov-Negumo 函数，是包括调和、几何和算术均值在内的勾股均值的抽象。 它被定义为， Mk = [1/n(x1^k + x2^k + ... + xn^k)]^1/k 其中： k 是所需平均值的指标功效（-1 = 调和平均值；0 = 几何平均值；1 = 算术平均值；2 = 均方根）。 虽然不能直接将 k = 0 置入，但根据 L'Hopital 定理，存在 k 趋于零的极限， Mk = lim k->0 [1/n(x1^k + x2^k + ... + xn^k)]^1/k = (x1x2 ... xn)^1/k 输入： x - 输入数据向量k - 所需功率（-1 = 调和平均值；0 = 几何平均值；1 = 算术平均值；2 = 均方根） 输出： y - 期望均值
机器学习中sklearn 中预测的各种误差比如均方误差等
weixin_42053726的博客
06-11 1万+
目录 1，均方差实现-使用sklearn中的模块 2 Mean absolute error平均决定误差 sklearn里面有计算误差的包，在下面代码中有 from fbprophet.diagnostics import performance_metrics # 这个模块是计算误差的但是还没学过 keras快速上手中的总结： 官网 1，均方差实现-使用skle...
分类任务评估1——推导sklearn分类任务评估指标
LMTX069的博客
06-19 3847
二分类问题中，准确率、精准率、召回率、F1值、ROC曲线、AUC值都是基于混淆矩阵展开计算的。
机器学习回归任务指标评价及Sklearn神经网络模型评价实践
肖永威的专栏
05-12 5536
机器学习回归模型评价是指对回归模型的性能进行评估，以便选择最佳的回归模型。其中，MAE、MSE、RMSE 用于衡量模型预测值与真实值之间的误差大小，R² 用于衡量模型对数据的拟合程度。在实际应用中，我们可以使用这些指标来评估回归模型的性能，并对模型进行优化。例如，在工业领域，回归算法可以通过对历史数据的回归分析，预测用电负荷、发电量等生产指标。
使用sklearn计算误差
weixin_44414593的博客
07-27 1540
性感官方，在线API
深度学习 | (5) 2分类、多分类问题评价指标以及在sklearn中的使用
sdu_hao的博客
12-14 1万+
目录 1. 二分类评价指标 2. 多分类评价指标 3. 总结 1. 二分类评价指标 常用的二分类评价指标包括准确率、精确率、召回率、F1-score、AUC、ROC、P-R曲线、MCC等 混淆矩阵 2分类问题的混淆矩阵是2*2的，通常以关注的类为正类，另一个类为负类，分类器在数据集上的预测或者正确或者不正确，我们有4种情况： 1）TP:True Positive，实际为正类并预测为正...
G-mean值理论解释
03-19
### G-Mean 的理论含义及应用场景 #### 理论含义 G-Mean 是一种用于评估分类模型性能的指标，尤其适用于类别分布不均衡的数据集。它定义为各个类别准确率（Recall 或 Sensitivity）的几何平均值[^4]。具体来说，如果存在多个类别，则 G-Mean 计算公式如下： 对于二分类问题： \[ G-Mean = \sqrt{Sensitivity \times Specificity} \] 其中， - **Sensitivity** 表示正类的召回率 \( TP / (TP + FN) \)，即正确识别出的正样本占实际正样本的比例； - **Specificity** 表示负类的召回率 \( TN / (TN + FP) \)，即正确识别出的负样本占实际负样本的比例。 对于多分类问题： \[ G-Mean = (\prod_{i=1}^{n} Recall_i)^{\frac{1}{n}} \] 这里 \( n \) 表示类别数量，\( Recall_i \) 表示第 i 类别的召回率。 #### 应用场景 G-Mean 被广泛应用于处理不平衡数据集的情况，在这种情况下，传统的正确率（Accuracy）可能无法真实反映模型的性能。例如，当某一类别的样本远少于其他类别时，仅依赖 Accuracy 可能会误导决策者认为模型表现良好，但实际上可能是由于大量预测为多数类别所致。 相比之下，G-Mean 同时考虑了少数类和多数类的表现，从而提供了一个更平衡的评价标准。这使得 G-Mean 成为了许多领域的重要工具，比如金融欺诈检测、医疗诊断以及异常事件监测等。 以下是 Python 中实现 G-Mean 的代码片段： ```python from sklearn.metrics import recall_score, make_scorer import numpy as np def g_mean(y_true, y_pred): recalls = recall_score(y_true, y_pred, average=None) return np.prod(recalls)**(1/len(np.unique(y_true))) # 使用自定义评分函数 gmean_scorer = make_scorer(g_mean, greater_is_better=True) print("G-Mean:", g_mean([0, 1, 1, 0], [0, 0, 1, 0])) ``` 此代码展示了如何基于 `recall_score` 函数计算 G-Mean 值，并将其封装为可重用的形式以便集成到机器学习管道中。 ---
评论 8
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值