python模型评估方法_1.机器学习之模型评估详解

Python

Python开发

Python语言

1.机器学习之模型评估详解

模型评价是指对于已经建立的一个或多个模型，根据其模型的类别，使用不同的指标评价其性能优劣的过程。常用的聚类模型评价指标有ARI评价法(兰德系数)、AMI评价法(互信息)、V-measure评分、FMI评价法和轮廓系数等。常用的分类模型评价指标有准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1值(F1 Value)、ROC和AUC等。常用的回归模型评价指标有平均绝对误差、均方根误差、中值绝对误差和可解释方差值等。

线性回归解决的是连续型数值的预测问题，例如预测房价，产品销量等。

逻辑回归解决的是分类问题，从分类数量上看，有二项分类和多项分类。

sklearn库的metrics模块提供各种评估方法，包括分类评估、回归评估、聚类评估和交叉验证等，评估分类是判断预测值时否很好的与实际标记值相匹配。正确的鉴别出正样本(True Positives)或者负样本(True Negatives)都是True。同理，错误的判断正样本(False Positive，即一类错误)或者负样本(False Negative，即二类错误)。

注意：True和False是对于评价预测结果而言，也就是评价预测结果是正确的(True)还是错误的(False)。而Positive和Negative则是样本分类的标记。

metrics模块分类度量有6种方法，如下表所示：

指标

描述

metrics方法Accuracy

准确度

from sklearn.metrics import accuracy_score

Precision

查准率

from sklearn.metrics import precision_score

Recall

查全率

from sklearn.metrics import recall_score

F1

F1值

from sklearn.metrics import f1_score

Classification Report

分类报告

from sklearn.metrics import classification_report

Confusion Matrix

混淆矩阵

from sklearn.metrics import confusion_matrix

ROC

ROC曲线

from sklearn.metrics import roc_curve

AUC

ROC曲线下的面积

from sklearn.metrics import auc

1 '''

2 from sklearn.metrics import accuracy_score, precision_score,3 recall_score, f1_score, classification_report, confusion_matrix4 accuracy_score(y_test, y_pred)5 precision_score(y_test, y_pred)6 recall_score(y_test, y_pred)7 f1_score(y_test,y_pred)8 classification_report(y_test,y_pred)9 confusion_matrix(y_test, y_pred)10 '''

准确度(accuracy)

准确度是预测正确的数(包括正样本和负样本)占所有数的比例。利用accuracy_score函数对预测数据进行模型评估，其中第一个参数是测试标记，第二个参数是预测标