混淆矩阵评价指标_机器学习：模型训练和评估——分类效果的评价

分类模型建立好后，这个模型到底符不符合要求要怎么评判呢？

事实上是有评价标准的。

要评价模型在测试集上预测结果的好坏，可以使用Sklearn库中的metrics模块方法进行计算。

常用的评价方式见下表：

评价方式	功 能
accuracy_score()	计算分类模型的准确率
auc()	计算ROC曲线的下面积AUC，使用梯形规则
classification_report()	建立一个包含主要评价方法结果的报告
confusion_matrix()	计算分类器预测结果的混淆矩阵
f1_score()	计算F-beta得分
precision_recall_curve()	针对不同的概率阈值计算精确率和召回率
roc_auc_score()	根据预测百分比计算受试者操作特征曲线ROC下的面积AUC
roc_curve()	计算ROC的横纵坐标

更多方式可以参考网址：

Python sklearn.metrics模块，常用函数和类​codingdict.com

为