机器学习入门之评价模型好坏

最新推荐文章于 2024-09-22 11:47:12 发布
最新推荐文章于 2024-09-22 11:47:12 发布
阅读量282 收藏
点赞数
分类专栏： 机器学习 文章标签： 机器学习 模型评价
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。
本文链接：https://blog.csdn.net/WaterWood_L/article/details/103082731
版权

背景

我们在机器学习中如何评价一个模型的好坏？对于一个回归问题，可以使用MSE、RMSE、MAE、R方。对于一个分类问题，可以使用分类精准度。

分类算法的评价

对于极度偏斜的数据，只使用分类准确度是不能衡量的。需要使用混淆矩阵进行进一步分析（confusion matrix)

  • 混淆矩阵
    在这里插入图片描述
  • 精准率
    precision = TP / TP + FP
  • 召回率
    recall = TP / TP + FN
from sklearn.metrics import confusion_matrix
confusion_matrix(y_test, y_log_predict)

from sklearn.metrics import precision_score
precision_score(y_test, y_log_predict)

from sklearn.metrics import recall_score
recall_score(y_test, y_log_predict)
回归算法的评价

  • MSE
    均方误差
    在这里插入图片描述

  • RMSE
    均方根误差
    在这里插入图片描述

  • MAE
    平均绝对误差
    在这里插入图片描述


from sklearn.metrics import mean_squared_error
from sklearn.metrics import mean_absolute_error

mean_squared_error(y_test, y_predict)
mean_absolute_error(y_test, y_predict)
data_fan
关注
专栏目录
Python 机器学习 基础 之 模型评估与改进 【模型评估与改进 / 交叉验证】的简单说明
仙魁XAN
05-24 872
Python是一种跨平台的计算机程序设计语言。是一种面向对象的动态类型语言，最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越多被用于独立的、大型项目的开发。Python是一种解释型脚本语言，可以应用于以下领域： Web 和 Internet开发、科学计算和统计、人工智能、教育、桌面界面开发、软件开发、后端开发、网络爬虫。Python 机器学习是利用 Python 编程语言中的各种工具和库来实现机器学习算法和技术的过程。
机器学习知识点全面总结
热门推荐
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
04-12 13万+
机器学习按照模型类型分为监督学习模型、无监督学习模型和概率模型三大类,文章对十大机器学习算法进行详细介绍并阐述机器学习其他概念问题，可作为机器学习初学者学习使用。
机器学习~评价模型的好坏
夫唯不争，故天下莫能与之争。
11-17 807
文章目录训练数据集与测试数据集评价分类结果评价回归结果 训练数据集与测试数据集 KNN算法中，我们是直接将真实数据（有特征有分类）灌到模型中，然后用测试数据与真实数据匹配，从而根据特征的距离计算，可以得到测试数据的预测分类。 因为测试数据的分类是未知的，所以我们没办法来评估我们预测的精准度，即模型的好坏，也就造成了我们对模型的预测结果的可信度无法估计。 因此再实际应用中，我们会将真实数据集按照一定...
机器学习中，如何评价模型的好坏？（基础理论入门）
xiaoli_1的博客
11-17 3696
在机器学习的过程中，建立的模型都会有好坏之分，到底如何判断一个模型的好坏？ 以 kNN算法为例，现在我们已经训练好一个模型，我们需要自己测试下。我们可以这样来操作，将原始数据中的一部分作为训练数据、另一部分作为测试数据。使用训练数据训练模型，再用测试数据看好坏。即通过测试数据判断模型好坏，然后再不断对模型进行修改。 模型评价指标 混淆矩阵、精准率、召回率、F1 Score、ROC曲线等 例如：对于...
机器学习中如何评价模型的好坏
weixin_45516016的博客
11-17 4346
机器学习中如何评价模型的好坏 Week 2 主要学习机器学习中的基础知识 Targets for this week： 数据拆分：训练数据集&测试数据集 评价分类结果：精准度、混淆矩阵、精准率、召回率、F1 Score、ROC曲线等 评价回归结果：MSE、RMSE、MAE、R Squared Let’ s go ! 数据拆分 在机器学习中，通常将所有的数据划分为三份：训练数据集、验证数...
如何评估模型好坏
成鹏的专栏
08-26 9639
介绍“所有模型都是坏的，但有些模型是有用的”。我们建立模型之后，接下来就要去评估模型，确定这个模型是否‘有用’。当你费尽全力去建立完模型后，你会发现仅仅就是一些单个的数值或单个的曲线去告诉你你的模型到底是否能够派上用场。在实际情况中，我们会用不同的度量去评估我们的模型，而度量的选择，完全取决于模型的类型和模型以后要做的事。下面我们就会学习到一些用于评价模型的常用度量和图表以及它们各自的使用场景。内容
评估机器学习模型的好坏
weixin_43992800的博客
03-08 1291
1.训练集和测试集 在用模型进行预测或分类的时候，需要判断得到模型的好坏，就要事先将数据分为训练集合测试集， 在sklearn中直接调用train_test_split来划分数据： from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, ...
【学习机器学习】实验——模型评估与选择
12-21
**性能度量** 是评估模型好坏的关键。常见的性能度量包括准确率、精确率、召回率、F1分数、AUC-ROC曲线等，具体选择哪种指标取决于问题的性质。例如，对于二分类问题，准确率可能不足以反映模型性能，因为当数据不...
一文搞定机器学习中的“模型可解释性”
风口IT猪的成长录
04-25 278
机器学习是最近许多科技进步的核心。随着计算机在围棋等游戏中击败专业人士，许多人开始询问，机器是否也能成为更好的司机，甚至更好的医生。如果⼀个机器学习模型运⾏良好，为什么我们仅仅信任该模型⽽忽略为什么做出特定的决策呢？诸如分类准确性之类的单⼀指标⽆法完整地描述⼤多数实际任务。当涉及到预测模型时，需要作出权衡：**你是只想知道预测是什么？**例如，客户流失的概率或某种药物对病⼈的疗效。**还是想知道为什么做出这样的预测？**这种情况下可能为了可解释性付出预测性能下降的代价。
机器学习中的四种评价函数
阳光zfc
05-03 1万+
机器学习中的四种评价函数评价函数（EvaluationFunction）在毕业设计过程中常使用的五种基于预测误差的评价指标：1. 均方根误差（RMSE）2. R-平方（R2）3. 平均绝对百分误差（MAPE）4. 平均绝对误差（MAE）5. 希尔不等系数（TIC）（暂不使用）均方根误差（RMSE）RMSE是预测值与真实值的误差平方根的均值。均方根误差RMSE(root-mean-square er...
机器学习学习中评价模型好坏的标准
UESTC_C2_403的博客
06-04 5761
准确率（Accuracy）：这个公式计算比较简单，就是预测正确的样本数量除以总的样本数量 但是很多时候，这个往往不能满足要求，比如样本不平衡，比如我们更加关心另一类的预测情况，这就会有问题， 比如你的样本不均衡，以两类问题为例：如果+1为10000，-1为50，那么只要过拟合，即使-1全部分错，正确率也是非常高的。如果我们更加关心-1的分类情况，这也没法实现。所以引入了另外的指标 准确率（Ac
机器学习笔试精选题精选（四）
红色石头的专栏
07-20 3550
点击上方“AI有道”，选择“置顶公众号”关键时刻，第一时间送达！读本文需要 8 分钟机器学习是一门理论性和实战性都比较强的技术学科。在应聘机器学习相关工作岗位时，我们常常...
【机器学习】（二）——如何评价模型的好坏
fmx的专栏
11-17 6670
学习目标： 1、数据拆分：训练数据集&测试数据集 2、评价分类结果：精准度、混淆矩阵、精准率、召回率、F1 Score、ROC曲线等 3、评价回归结果：MSE、RMSE、MAE、R Squared 知识整理： 【1】 模型训练好之后，需要评价模型的好坏，但是测试数据也是需要有对应分类结果的，这时就需要从已有数据中分出测试集和训练集。 我们需要将原始数据中的一部分作为训...
信息检索（IR）的评价指标介绍 - 准确率、召回率、F1、mAP、ROC、AUC
架构和代码
07-06 5万+
在信息检索、分类体系中，有一系列的指标，搞清楚这些指标对于评价检索和分类性能非常重要，因此最近根据网友的博客做了一个汇总。准确率、召回率、F1信息检索、分类、识别、翻译等领域两个最基本指标是召回率(Recall Rate)和准确率(Precision Rate)，召回率也叫查全率，准确率也叫查准率，概念公式:             召回率(Recall)      =  系统检索到的相关文件 /
关于机器学习模型的评估方法
白话机器学习
04-17 3474
当我们辛苦搭建了一个模型后，如何能够知道我们的模型是否好用呢？这就需要了解具体的模型评估方法，本文将分别介绍机器学习中常见的两类问题（分类问题、回归问题）的模型评估方法。
机器学习笔记（二）—— 判断模型的好坏
weixin_43312354的博客
03-08 6242
一、 划分训练集和测试集 训练集：用于训练模型的集合 测试集：用于测试训练模型的集合。 常见的数据集拆分方法： 1. 留出法 留出法（hold-out）直接将数据集D拆分成两个互斥的集合，其中一个作为训练集S，另一个作为测试集T。即D=S∪T，S∩T=∅。在S上训练出模型后，用T来评估其测试误差，作为对泛化误差的估计。 注意：（1）训练/测试集的划分要尽可能保持数据分布的一致性，避免因数据划分...
人工智能与机器学习原理精解【24】
理论物理与应用物理之家
09-20 1205
正态分布的定义基于其概率密度函数（Probability Density Function, PDF），该函数描述了随机变量取某一特定值的可能性。正态分布由两个参数决定：均值（μ）和标准差（σ）。均值决定了分布的中心位置，而标准差决定了分布的宽度或离散程度。
机器学习和深度学习的区别
最新发布
WenJGo的博客
09-22 1209
探讨深度学习与机器学习，以及他俩与人工智能的关系
机器学习笔记（一）初识机器学习
weixin_53333436的博客
09-20 1304
机器学习是一门多学科交叉专业，涵盖概率论知识，统计学知识，近似理论知识和复杂算法知识，使用计算机作为工具并致力于真实实时的模拟人类学习方式，并将现有内容进行知识结构划分来有效提高学习效率。机器学习有下面几种定义：（1）机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。（2）机器学习是对能通过经验自动改进的计算机算法的研究。（3）机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。简要概念：让机器具备找一个函式的能力。
评论
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