sklearn metrics 的使用方法

一、安装sklearn

如果安装了Anoconda，可以直接从Anoconda Navigator——Environment里面搜索添加。
pip install -U scikit-learn

---

二、scikit-learn.metrics导入与调用

有两种方式导入。

方式一：

from sklearn.metrics import 评价指标函数名称

例如：

from sklearn.metrics import mean_squared_error
from sklearn.metrics import r2_score

直接使用函数名调用:

mse = mean_squared_error(y_test, y_pre)
R2 = r2_score(y_test,y_pre)

---

方式二：

from sklearn import metrics

调用方式为：metrics.评价指标函数名称（parameter）

例如：
计算均方误差mean squared error

计算回归的决定系数R2

mse = metrics.mean_squared_error(y_test, y_pre)
R2 = metrics.r2_score(y_test,y_pre)

---

【分类指标】

1.accuracy_score(y_true,y_pre) : 精度 

2.auc(x, y, reorder=False) : ROC曲线下的面积;较大的AUC代表了较好的performance。

3.average_precision_score(y_true, y_score, average='macro', sample_weight=None):根据预测得分计算平均精度(AP)

4.brier_score_loss(y_true, y_prob, sample_weight=None, pos_label=None):The smaller the Brier score, the better.

5.confusion_matrix(y_true, y_pred, labels=None, sample_weight=None):通过计算混淆矩阵来评估分类的准确性 返回混淆矩阵

6.f1_score(y_true, y_pred, labels=None, pos_label=1, average='binary', sample_weight=None): F1值

　　F1 = 2 * (precision * recall) / (precision + recall) precision(查准率)=TP/(TP+FP) recall(查全率)=TP/(TP+FN)

7.log_loss(y_true, y_pred, eps=1e-15, normalize=True, sample_weight=None, labels=None)：对数损耗，又称逻辑损耗或交叉熵损耗

8.precision_score(y_true, y_pred, labels=None, pos_label=1, average='binary',) ：查准率或者精度； precision(查准率)=TP/(TP+FP)

9.recall_score(y_true, y_pred, labels=None, pos_label=1, average='binary', sample_weight=None)：查全率 ；recall(查全率)=TP/(TP+FN)

10.roc_auc_score(y_true, y_score, average='macro', sample_weight=None)：计算ROC曲线下的面积就是AUC的值，the larger the better

11.roc_curve(y_true, y_score, pos_label=None, sample_weight=None, drop_intermediate=True)；计算ROC曲线的横纵坐标值，TPR，FPR

　　TPR = TP/(TP+FN) = recall(真正例率，敏感度)       FPR = FP/(FP+TN)(假正例率，1-特异性)

【回归指标】

1.explained_variance_score(y_true, y_pred, sample_weight=None, multioutput='uniform_average')：回归方差(反应自变量与因变量之间的相关程度)

2.mean_absolute_error(y_true, y_pred, sample_weight=None, multioutput='uniform_average')：平均绝对误差

3.mean_squared_error(y_true, y_pred, sample_weight=None, multioutput='uniform_average')：均方差

4.median_absolute_error(y_true, y_pred)   中值绝对误差

5.r2_score(y_true, y_pred, sample_weight=None, multioutput='uniform_average')  ：R平方值