python 模型效果的呈现结果

一.二分类的正确率 or 预测正确的样本个数，混淆矩阵

from sklearn import metrics
y_pred=my_model.predict(x_test)#####my_model是经过x_train和y_train以及模型算法进行参数调优的训练模型结果，y_pred是测试数据的预测值
metrics.accuracy_score(y_test,y_pred)##模型预测正确率；metrics.accuracy_score（y_test,y_pred,normalize=True,sample_weight=None）normalize=True返回的结果是预测正确率，normalize=False返回的是预测样本的正确样本数，sample_weight每个样本的权重，默认是None即每个样本的权重是1，sample_weight的长度必须是和y_test的长度一样
##混淆矩阵 默认输出结果顺序为：正正类，正负类，负正类，负负类对应个数
metrics.confusion_matrix(y_true, y_pred, labels=None, sample_weight=None)#labels是混淆矩阵输出结果的类顺序，长度和类的个数一致
tn, fp, fn, tp =metrics.confusion_matrix(y_true, y_pred, labels=None, sample_weight=None).ravel()###ravel是numpy下的一个函数将原始数据输出为一个1-D的数据格式
metrics.confusion_matrix(y_test,ypred_lr,labels=[0,1])
metrics.confusion_matrix(y_test,ypred_lr)

二.ROC曲线 ，AUC

roc_auc_score(y_true, y_score, average='macro', sample_weight=None, max_fpr=None)###ROC曲线下的面积，AUC
metric.roc_auc_score(y_test,y_pred)
roc_curve(y_true, y_score, pos_label=None, sample_weight=None, drop_intermediate=True)###
fpr, tpr, thresholds=metrics.roc_curve(y_test,ypred_lr)###

三.分类模型的评价指标

###展示or计算分类模型的评价指标
###精确率，召回率，f1分，各类别参与训练的样本个数
classification_report(y_true, y_pred, labels=None, target_names=None, sample_weight=None, digits=2, output_dict=False)
metrics.classification_report(y_test,ypred_rf)