机器学习之指标和评分：量化预测的质量

最新推荐文章于 2025-04-23 22:17:10 发布

沸点数据

最新推荐文章于 2025-04-23 22:17:10 发布

阅读量1.5k

点赞数

分类专栏：机器学习文章标签：数据挖掘机器学习

本文链接：https://blog.csdn.net/weixin_38239039/article/details/105218999

版权

本文探讨了机器学习中的评估指标，包括分类任务的classification_report、f1_score、precision_score、recall_score、roc_auc_score、roc_curve、confusion_matrix和accuracy_score，以及回归任务的Max error、Mean absolute error、Mean squared error和R²得分。这些工具用于量化预测模型的性能，帮助优化模型选择。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章参考：https://scikit-learn.org/stable/modules/model_evaluation.html#clustering-metrics

1、分类指标 Classification Metrics

sklearn.metrics 模块实现了一些损失、评分和实用函数衡量分类的性能。一些指标可能需要对正类、置信度值、或二进制决策值的概率估计。大部分实现都允许每个样本通过sample_weight参数为总评分提供加权贡献。

(1)classification_report 函数：显示主要分类指标的文本报告，在报告中显示每个类别的精确度、召回率、F1值等信息。

sklearn.metrics.classfication_report(y_true,y_pred,labels=None.target_names=None,sample_weight=None,digits=2,output_dict=False)

y_true：真实目标值
y_pred：估计器预测目标值
labels ：包含的标签索引的可选列表
target_names：目标类别名称
digits：输出浮点值的位数
return : 每个类别精确率和召回率、F1值

from sklearn.metrics import classification_report

y_true = [0, 1, 2, 2, 2]
y_pred = [0, 0, 2, 2, 1]
target_names = ['class 0', 'class 1', 'class 2']
print(classification_report(y_true, y_pred, target_names=target_names))
             precision    recall  f1-score   support

     class 0       0.50      1.00      0.67         1
     class 1       0.00      0.00      0.00         1
     class 2       1.00      0.67      0.80         3

    accuracy                           0.60         5
   macro avg       0.50      0.56      0.49         5
weighted avg       0.70      0.60      0.61         5

其中列表左边的一列为分类的标签名，右边support列为每个标签的出现次数．avg / total行为各列的均值（support列为总和）．
precision recall f1-score三列分别为各个类别的精确度/召回率及 F1值．