python sklearn包——cross-validation

官方cross-validation

模型评估方式详细说明

 

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 metrics

cross_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

‘r2’ sklearn.metrics.r2_score

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