sklearn--分类器评估指标综述

sklearn.metric中性能的度量函数大体有四种
分类器性能指标
回归其性能指标
聚类器性能指标
两两距离测度
1.分类器性能指标
分类器的性能指标有很多，最常用的是三种
精度-召回率-F度量（precision-recall-F_measure）

损失函数（loss function）

除了图片上的指标外，还有
接收机操作曲线（receiver operating curves）
杰卡德相似系数（jaccard similarity coefficient）
MCC指标（相关性系数）

接收机操作曲线（ROC Curves）
1）只限于二元单标签分类问题的评估指标
matthews_corrcoef（）-计算MCC系数（Matthews）
precision_recall_curve()-在不同概率阈值下计算精确度-召回的点集，形成曲线
roc_curve()-计算ROC曲线
2）二元多标签分类
average_precision_score()-计算预测得分的平均值
roc_auc_score()-计算预测得分的AUC值
3）用于多类分类问题的评估指标
cohen_kappa_score()
accuracy_score()
classification_report()
如何将二元分类拓展到多类或者多标签问题 ？
默认情况下只有正标签被用来计算指标，为了将这些指标扩展到多类，我们将多类视为二元分类的集合，并对数据集划分。同时计算这些子分类的二元指标，并将所有子分类问题上的得分平值平均起来，通常使用average。
5种处理权重的方法：macro,weighted,mirco,samples,average