python分类算法评估模型_Python之算法评估-4

一、评估算法的方式分两种，一种是分类算法的评估，一种是回归算法的评估。为什么要分两种呢，因为分类算法中可以通过准确率、精准率、召回率、混淆矩阵、AUC来评估算法的准确度。但是在预测值的时候是没有办法去获得这个准确值(比如分类对了，那就对了，错了就是错了，可以通过对错来统计准确率)，那么回归算法的方式，就通过均方误差来确认算法的准确度。

二、分类算法的评估(以K-近邻算法来说)

knn = KNeighborsClassifier(n_neighbors=5)

knn.fit(x_train, y_train)

y_predict=knn.predict(x_test)print("预测值：", y_predict)#5、评估

#评估

score =knn.score(x_test, y_test)print("准确率：", score)

说明：可以通过predict()函数来预测结果

source()来出来预测准确率(理解为真实预测数据/所有数据)

其中还有其他的值的算法过程，和进准率差不多。

数据：

预测值 0 预测值 1

真实值 0 TN FP

真实值 1 FN TP

精准率(precision)：

TP

precision = ——————

TP + FP

召回率(recall)：

TP

recall = ———————

TP + FN

模型的稳定性：

2TP 2precision * recall

F1 = ————————————— = ———————————————————

2TP + FN + FP precision + recall

三、均方误差

from sklearn.metrics importmean_squared_errordefmean_squared_error(y_true, y_pred,

sample_weight=None,

multioutput='uniform_average'):

...

主要参数，y_true,y_pred：真实值，预测值

公式：

1m _

MSE= ——— ∑(yi - y)^2m i=1_

yi：预测值 y：真实值

一定要标准化之前的值

四、统一说明：在分类算法中准确率只是其中的一项，以越接近100%，越准确。回归算法中以MSE(均方误差值越小，越准确)