【机器学习】常用评价指标（分类算法）

目录

1. 准确率（accuracy_score）

2. 精确率（precision_score）

3. 召回率（recall_score）

4. F1值（f1_score）

5. 混淆矩阵（confusion_matrix）

6. 分类报告（classification_report）

---

1、参考链接：https://www.cnblogs.com/guoyaohua/p/classification-metrics.htmlhttps://www.cnblogs.com/guoyaohua/p/classification-metrics.html

https://hg95.github.io/sklearn-notes/Chapter2/https://hg95.github.io/sklearn-notes/Chapter2/

2、官方文档：https://scikit-learn.org/stable/api/sklearn.metrics.htmlhttps://scikit-learn.org/stable/api/sklearn.metrics.html

1. 准确率（accuracy_score）

       准确率是所有预测正确的样本占总样本的比例。公式为：(TP + TN) / (TP + FP + TN + FN)。它衡量了分类器整体上的性能，但在不平衡数据集上可能不够准确。

from sklearn.metrics import accuracy_score
accuracy = accuracy_score(y_test, y_pred)
#accuracy_score(y_test, y_pred, normalize=True, sample_weight=None)

调参参考： 

2. 精确率（precision_score）

       精确率是指预测为正例的样本中真正为正例的比例。公式为：TP / (TP + FP)。它反映了预测为正例的样本中有多少是真正的正例。

from sklearn.metrics import precision_score
precision = precision_score(y_test, y_pred, average='macro')
#precision_score(y_test, y_pred, labels=None, pos_label=1, average='binary', sample_weight=None)

调参参考：https://blog.csdn.net/qq_41289920/article/details/104414878

3. 召回率（recall_score）

       召回率（也称为真正率或灵敏度）是指所有真正的正例中被正确预测出来的比例。公式为：TP / (TP + FN)。它衡量了分类器找出所有正例的能力。

from sklearn.metrics import recall_score
recall = recall_score(y_test, y_pred, average='macro')
#recall_score(y_test, y_pred, *, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn')

 调参参考：https://vimsky.com/examples/usage/python-sklearn.metrics.recall_score-sk.html

4. F1值（f1_score）

       F1值是精确率和召回率的调和平均数，用于综合评价分类器的性能。公式为：2 * (Precision * Recall) / (Precision + Recall)。当精确率和召回率都很高时，F1值也会很高。

from sklearn.metrics import f1_score
f1 = f1_score(y_test, y_pred, average='macro')
#f1_score(y_test, y_pred, *, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn')

调参参考：https://blog.csdn.net/qq_40671063/article/details/130447922

5. 混淆矩阵（confusion_matrix）

       混淆矩阵是一个表格，用于描述分类模型的实际分类与预测分类之间的关系。它通常包含四个部分：真正例（True Positive, TP）、假正例（False Positive, FP）、真反例（True Negative, TN）和假反例（False Negative, FN）。

from sklearn.metrics import confusion_matrix
cm = confusion_matrix(y_test, y_pred)
#confusion_matrix(y_test, y_pred, labels=None, sample_weight=None)

调参参考：https://blog.csdn.net/SartinL/article/details/105844832

6. 分类报告（classification_report）

       分类报告是一个包含准确率、精确率、召回率和F1值等指标的详细报告，用于全面评估分类器的性能。它通常针对每个类别都提供这些指标的值。

from sklearn.metrics import classification_report
cr = classification_report(y_test, y_pred))
#classification_report(y_test, y_pred, labels=None, target_names=None, sample_weight=None, digits=2, output_dict=False, zero_division=“warn”)

调参参考：https://blog.csdn.net/weixin_48964486/article/details/122881350