模型评估(预测的质量):存在三种方式来评估预测结果的质量
1、Estimator score method:每个估计模型都有自己的评价方式,可以直接使用2、Scoring parameter:模型评价工具使用cross-validation( cross_validation.cross_val_score和grid_search.GridSearch )3、Metric functions: 实现功能评估为特定目的的功能
交叉验证(cross-validation)
1)切分数据:使用train_test_split函数很容易的实现随机的切分形成training和test数据集。
x_train,x_test,y_train,y_test=cross_validation.train_test_split(iris.data,iris.target,test_size=0.4,random_state=0)clf.svm.SVC(kernel='linear',C=1).fit(x_train,y_train)clf.score(x_test,y_test)
2)cv:最简单的方式是使用函数cross_val_score,当cv为数字时,默认采用的是KFold或者stratifiedKFold
clf=svm.SVC(kernel='linear',C=1)scores=cross_validation.cross_val_score(clf,iris.data,iris.target,cv=5)scores==>得到array([1. ..., 0.96..., 0.9 ..., 0.96..., 1. ])平均分数和标准偏差估计分数:scores.mean() scores.std()上面的方式cv的每次迭代都是计算的score,我们可以通过加入scoring参数来计算不同的指标
from sklearn import metricscross_validation.cross_val_score(clf,iris.data,iris.target,cv=5,scoring='f1')==>得到array([ 1. ..., 0.96..., 0.89..., 0.96..., 1. ])注:scoring的默认取值以及对应的函数名称
Classification
‘accuracy’sklearn.metrics.accuracy_score
‘average_precision’sklearn.metrics.average_precision_score
‘f1’sklearn.metrics.f1_score f1就是F-measure
‘precision’sklearn.metrics.precision_score
‘recall’sklearn.metrics.recall_score
‘roc_auc’sklearn.metrics.roc_auc_score
Clustering
‘adjusted_rand_score’sklearn.metrics.adjusted_rand_score
Regression
‘mean_squared_error’sklearn.metrics.mean_squared_error
sklearn classification_report函数能详细给出各个类别的P,R,F。
Figure 1: sklearn classification_report函数