1、准确率
metrics.accuracy_score(y_true=y_true, y_pred=y_pred)
2、平均准确率
针对不平衡数据,对n个类,分别计算每个类别的准确率,然后求平均值。
metrics.average_precision_score(y_true=y_true, y_score=y_pred)
3、基于相似度的评价指标
3.1 log-loss
指示矩阵Y(N*K),yi,k=1如果第i个数据属于第k类,否则yi,k=0。pi,k为预测概率。
metrics.log_loss(y_true,y_pred)
3.2 hamming_loss
metrics.hamming_loss(y_true, y_pred)
3.3 jaccard_similarity_score
metrics.jaccard_similarity_score(y_true, y_pred)
4、混淆矩阵
在混淆矩阵中的i,j指的是观察的数目i,预测为j。
metrics.confusion_matrix(y_true, y_pred)
5、分类报告
from sklearn.metrics import classification_report
y_true = [0, 1, 2, 2, 0]
y_pred = [0, 0, 2, 1, 0]
target_names = [‘class 0’, ‘class 1’, ‘class 2’]
print(classification_report(y_true, y_pred, target_names=target_names))