一,scikit-learn中常用的评估模型
1.评估分类模型:
2.评估回归模型:
二、常见模型评估解析:
•对于二分类问题,可将样例根据其真实类别和分类器预测类别划分为:(T,F表示预测的正确与错误性,P,N表示预测的正类和负类)
•真正例(TruePositive,TP):真实类别为正例,预测类别为正例。
•假正例(FalsePositive,FP):真实类别为负例,预测类别为正例。
•假负例(FalseNegative,FN):真实类别为正例,预测类别为负例。
•真负例(TrueNegative,TN):真实类别为负例,预测类别为负例。
•构建混淆矩阵(ConfusionMatrix):
•识别精确度(accuracy)
•Accuracy=(TP+FN)/(TP+TN+FP+FN)×100%
•准确率(precision):
•召回率(recall):
•
•F1值:精确度和召回率的调和平均值
•precision 和 recall 都是越高越好。精确度和召回率都高时,F1 值也会高. F1 值在1时达到最佳值(完美的精确度和召回率),最差为0.在二元分类中,F1 是测试准确度的量度。
classification_report 的主要参数:
主要参数:
y_true:1维数组,或标签指示器数组/稀疏矩阵,目标值。
y_pred:1维数组,或标签指示器数组/稀疏矩阵,分类器返回的估计值。
labels:array,shape = [n_labels],报表中包含的标签索引的可选列表。
target_names:字符串列表,与标签匹配的可选显示名称(相同顺序)。
sample_weight:类似于shape = [n_samples]的数组,可选项,样本权重。
digits:int,输出浮点值的位数.
from sklearn.metrics import classification_report
y_true = [0,1,2,2,1,0]
y_pred = [0,2,0,2,1,0]
target_names= ['class0','class1','class2']
reports = classification_report(y_true, y_pred, target_names=target_names) #生成分类的指标的文本报告
print(reports)
#输出结果
# precision recall f1-score support
#
# class0 0.67 1.00 0.80 2 #support为真实label出现的次数
# class1 1.00 0.50 0.67 2
# class2 0.50 0.50 0.50 2
#
# avg / total 0.72 0.67 0.66 6
真实值
预测值
0
0
1
2
2
0
2
2
1
1
0
0
先计算label 0:即reports的class0
计算precision准确率时,只看分类标签是 0 的预测值,如图有 3 个,再看其预测成功的个数 ,有2个,所以准确率为 0.67
计算recall召回率时:只看分类标签是0 的真实值,如图有2 个,再看其预测成功的个数, 有2 个,所以召回率为 1
结合p 和 r 计算 F1值
同理:计算label 1 和label 2
1).回归模型评估:
•1.均方根误差(RootMean Squared Error,RMSE)
RMSE是一个衡量回归模型误差率的常用公式。然而,它仅能比较误差是相同单位的模型
•由于对误差E 进行平方,加强了数值大的误差在指标中的作用,从而提高了指标的灵敏性。
•2.平均绝对误差(Mean Absolute Error,MAE)
•3.平均绝对百分误差(MeanAbsolute Percentage Error)
•一般认为MAPE小于10时,预测精度高。
•2)分类模型评估:
ROC-AUC曲线
•AUC值为ROC曲线所覆盖的区域面积,显然,AUC越大,分类器分类效果越好。
•AUC的物理意义
•假设分类器的输出是样本属于正类的score(置信度),则AUC的物理意义为,任取一对(正、负)样本,正样本的score大于负样本的score的概率。
1.ROC曲线:接受者操作特征(receiveroperating characteristic)曲线代表每个点反映着对同一个信号刺激的感受性。ROC曲线和AUC常被用来评价一个二值分类器(binaryclassifier)的优劣。
•横轴FPR越大,代表预测正类中实际负类越多
•纵轴TPR越大,代表预测正类中实际正类也越多
•因此,曲线越靠近(0,1)点,越往对角线45度左上角偏,分类效果越好。
如何绘制ROC 曲线
当我们将threshold设置为1和0时,分别可以得到ROC曲线上的(0,0)和(1,1)两个点。将这些(FPR,TPR)对连接起来,就得到了ROC曲线。当threshold取值越多,ROC曲线越平滑。
其实,我们并不一定要得到每个测试样本是正样本的概率值,只要得到这个分类器对该测试样本的“评分值”即可(评分值并不一定在(0,1)区间)。评分越高,表示分类器越肯定地认为这个测试样本是正样本,而且同时使用各个评分值作为threshold。将评分值转化为概率更易于理解一些。
2.AUC(Areaunder roc curve)在ROC曲线下的面积,度量分类模型的好坏。
•由于ROC曲线一般都处于y=x这条直线的上方,所以AUC的取值范围在0.5和1之间。使用AUC值作为评价标准是因为很多时候ROC曲线并不能清晰的说明哪个分类器的效果更好,而作为一个数值,对应AUC更大的分类器效果更好。
•
•首先AUC值是一个概率值,当你随机挑选一个正样本以及一个负样本,当前的分类算法根据计算得到的Score值将这个正样本排在负样本前面的概率就是AUC值。当然,AUC值越大,当前的分类算法越有可能将正样本排在负样本前面,即能够更好的分类。
•判定AUC 曲线的优劣:
•.90-1= very good (A)
•.80-.90= good (B)
•.70-.80= not so good (C)
•.60-.70= poor (D)
•.50-.60= fail (F)
•3.精度-召回率曲线PRC(precisionrecall curve):与ROC曲线不同的是:PRC曲线是往右上角靠拢效果较好。
•适用场景:
1. 地震的预测
对于地震的预测,我们希望的是RECALL非常高,也就是说每次地震我们都希望预测出来。这个时候我们可以牺牲PRECISION。情愿发出1000次警报,把10次地震都预测正确了;也不要预测100次对了8次漏了两次。
2. 嫌疑人定罪
基于不错怪一个好人的原则,对于嫌疑人的定罪我们希望是非常准确的。及时有时候放过了一些罪犯(recall低),但也是值得的。
•4.如何避免过拟合:
•过拟合表现为在训练数据上的误差非常小,而在测试数据集上的误差反而增大。其中原因一般是模型过于复杂,过分去拟合数据的噪声和离群点,导致模型的泛化能力差,鲁棒性差。
•常见的解决办法:增大数据集,对模型进行正则化。
•5.交叉验证:
•K-Folds交叉验证:K层交叉验证是将原始数据随机分为K 个部分,在K 个部分中,选择1 个作为测试集,K-1 个作为训练集。将实验重复K 次,每次实验都从K 个部分选择1 个不同的作为测试集,最后对得到的K 个实验结果取平均。
#coding=gbk
'''
Created on 2018年7月10日
@author: Administrator
'''
#交叉验证
#1.留出法:直接将原始的数据集变换成2类互斥的两类,一部分为训练集,另一部分为验证集、
#在sklearn中使用 train_test_split函数
from sklearn.model_selection import train_test_split
import numpy as np
from sklearn import svm #支持向量机
from sklearn import datasets
iris = datasets.load_iris() #加载鸢尾花数据集
print(iris.data.shape, iris.target.shape) #(150, 4) (150,)
x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target,
test_size = 0.2, random_state=666)
#test_size 表示测试集所占的比例
print(x_train.shape, x_test.shape) #(120, 4) (30, 4)
print(y_train.shape, y_test.shape) #(120,) (30,)
svm_clf = svm.SVC(kernel='linear', C= 1).fit(x_train, y_train)
print(svm_clf.score(x_test, y_test)) # 1.0 百分之百的预测成功率
#2.交叉验证方法
from sklearn.model_selection import KFold
import numpy as np
x = np.array([[1,2],[3,4],[5,6],[7,8]])
y = np.array([1,2,3,4])
kf = KFold(n_splits=2,random_state=666) #n_splits 是指将数据输出多少份
for train_index, test_index in kf.split(x):
print('train_index:', train_index, 'test_index:',test_index)
# train_index: [2 3] test_index: [0 1]
# train_index: [0 1] test_index: [2 3]
#当n_splits = 3 时,输出如下:
# train_index: [2 3] test_index: [0 1]
# train_index: [0 1 3] test_index: [2]
# train_index: [0 1 2] test_index: [3]
x_train, y_train = x[train_index],y[train_index]
x_test , y_test = x[test_index], y[test_index]
print(x_train,' ',y_train)
print(x_test,' ',y_test)
#2.2 RepeatedKFold p次k折交叉验证,RepeatedKFold方法可以控制交叉验证的次数。n_repeats
from sklearn.model_selection import RepeatedKFold
x1 = np.array([[1,2],[3,4],[5,6],[7,8]])
y1 = np.array([1,2,3,4])
rk = RepeatedKFold(n_splits=2, n_repeats=2, random_state=666)
for train_index, test_index in rk.split(x1):
print('train_index:',train_index,'test_index:', test_index)
# train_index: [0 2] test_index: [1 3]
# train_index: [1 3] test_index: [0 2]
# train_index: [2 3] test_index: [0 1]
# train_index: [0 1] test_index: [2 3]
#3 留一法 LeaveOneOut
print('-----LeaveOneOut------')
from sklearn.model_selection import LeaveOneOut
x2 = np.array([1,2,3,4,5])
loo = LeaveOneOut()
for train_index, test_index in loo.split(x2):
print('train_index:',train_index, 'test_index:', test_index)
# train_index: [1 2 3 4] test_index: [0]
# train_index: [0 2 3 4] test_index: [1]
# train_index: [0 1 3 4] test_index: [2]
# train_index: [0 1 2 4] test_index: [3]
# train_index: [0 1 2 3] test_index: [4]
#3.2 LeavePOut 留p法
#基本原理和留一法是一样的
from sklearn.model_selection import LeavePOut
lpo = LeavePOut(p=2)
for train_index, test_index in lpo.split(x2):
print('train_index:',train_index, 'test_index:',test_index)
# train_index: [2 3 4] test_index: [0 1]
# train_index: [1 3 4] test_index: [0 2]
# train_index: [1 2 4] test_index: [0 3] 有10中取法
# train_index: [1 2 3] test_index: [0 4]
# train_index: [0 3 4] test_index: [1 2]
# train_index: [0 2 4] test_index: [1 3]
# train_index: [0 2 3] test_index: [1 4]
# train_index: [0 1 4] test_index: [2 3]
# train_index: [0 1 3] test_index: [2 4]
# train_index: [0 1 2] test_index: [3 4]
#4.shuffleSplit 随机分配, 可以随机把数据打乱,然后分为训练集和测试集
print('------shufflesplit------')
from sklearn.model_selection import ShuffleSplit
ss = ShuffleSplit(n_splits=4, random_state = 666, test_size=0.4)
for train_index, test_index in ss.split(x2):
print('train_index:',train_index,'test_index:',test_index)
# train_index: [1 2 4] test_index: [3 0]
# train_index: [0 2 1] test_index: [3 4]
# train_index: [0 2 3] test_index: [4 1]
# train_index: [1 2 4] test_index: [0 3]