sklearn笔记11 KNN模型评价指标

完整代码 sklearn代码7 6-KNN癌症诊断（2）

代码依旧使用癌症诊断代码

模型评估：
官网查看

import numpy as np

import pandas as pd

from pandas import Series,DataFrame

from sklearn.neighbors import KNeighborsClassifier

from sklearn.model_selection import train_test_split

# grid网格 search搜索 cv：cross_validation
# 搜索算法最合适的参数
from sklearn.model_selection import GridSearchCV

# 导包准确率得分
from sklearn.metrics import accuracy_score

accuracy_score(y_test,y_)  #准确率得分，与上述计算结果一致

# 取出来最好的模型，进行预测
# 也是直接使用gcv去预测，结果一样的
knn_best = gcv.best_estimator_

knn_best.predict(X_test)

accuracy_score(y_test,y_)

交叉表

pd.crosstab(index = y_test,columns=y_,rownames=['True'],colnames=['predict'])   #交叉表

X_test.shape

pd.crosstab(index = y_test,columns=y_,rownames=['True'],colnames=['predict'],
           margins = True)   #交叉表

分类指标之一

from sklearn.metrics import confusion_matrix

confusion_matrix(y_test,y_)

from sklearn.metrics import classification_report

print(classification_report(y_test,y_,target_names = ['B','M']))

分别为精确率，召回率和F-measures，是用来评价模型的指标


recall 正样本的概率

# 真实的
y_test.value_counts()

# 预测
Series(y_).value_counts()

np.round(73/74,2)

np.round(36/40,2)

presicion准确率

计算公式表

# presicion
np.round(73/(73+4),2)

np.round(36/37,2)

f1-score计算方法

np.round((2*0.95*0.99)/(0.95+0.99),2)

np.round((2*0.97*0.9)/(0.97+0.9),2)

精确率，召回率和f1-score都是越大越好，一般情况下，其中带score的都是越大越好