（1-4）sklearn库的----模型评估

最新推荐文章于 2024-04-15 20:48:04 发布

BlackTurn

最新推荐文章于 2024-04-15 20:48:04 发布

阅读量1.1k

点赞数 3

分类专栏： Python机器学习

本文链接：https://blog.csdn.net/weixin_45014721/article/details/108325391

版权

Python机器学习专栏收录该内容

10 篇文章 3 订阅

订阅专栏

5，模型评估与选择

务必记住那些指标适合分类，那些适合回归。
在这里插入图片描述

一，分类问题

常见的分类模型包括：逻辑回归、决策树、朴素贝叶斯、SVM、神经网络等，
分类的模型评估指标包括以下几种：
1.TPR、FPR&TNR（混淆矩阵）

在二分类问题中，即将实例分成正类（positive）或负类（negative）。对一个二分问题来说，会出现四种情况。如果一个实例是正类并且也被预测成正类，即为真正类（True positive）,如果实例是负类被预测成正类，称之为假正类（False
positive）。相应地，如果实例是负类被预测成负类，称之为真负类（True negative）,正类被预测成负类则为假负类（false
negative）。
真正、假正、真负、假负
真正类率TPR=（真正）/（真正+假负）。实际为真的里面，机器有多少预测对了（是正确率）。
负正类率FPR=（假正）/（假正+真负）。实际为负的里面，机器有多少错认为是真的(是错误率)。

2. 精确率Precision、召回率Recall和F1值
①精确率Precision = （真正）/（真正+假正）。精确率只看预测，不看实际，只看预测出来的正确率是多少。
②召回率Recall=（真正）/（真正+假负）。召回率看的是实际，只看实际为真的里面，机器有多少预测对了。
③一般来说，Precision就是检索出来的条目有多少是准确的，Recall就是所有准确的条目有多少被检索出来了（10个犯罪分子，你抓捕了100人，只逮到8个是正确的，召回率就是0.8，精确率就是0.08（精确率只看预测）; 10次地震，你警报拉响100次，其中八次是正确的，召回率就是0.8，准确率就是0.08(精确率只看预测) ；池塘1400条鲤鱼，撒一大网，逮着了700条鲤鱼，200只虾，100只鳖。召回率就是700/1400，准确率就是700/1000(精确率只看预测)
④精准度（又称查准率）和召回率（又称查全率）是一对矛盾的度量。一般来说，查准率高时，查全率往往偏低，而查全率高时，查准率往往偏低。所以通常只有在一些简单任务中，才可能使得查准率和查全率都很高。
⑤F1值 = 正确率 * 召回率 * 2 / (正确率 + 召回率) 。F1较高时则能说明试验方法比较有效。

3. ROC曲线和AUC
ROC是一条曲线，AUC是一个面积值。AUC：ROC曲线下面积，参考线面积为0.5，AUC应大于0.5，且偏离越多越好
在这里插入图片描述

分类问题的评估指标

1.看准确率

#  **************************准确率**************************
y_pred = [0, 2, 1, 3,9,9,8,5,8]
y_true = [0, 1, 2, 3,2,6,3,5,9]

#1.accuracy_score

import numpy as np
from sklearn.metrics import accuracy_score

accuracy_score(y_true, y_pred)
Out[127]: 0.33333333333333331
 
accuracy_score(y_true, y_pred, normalize=False)  # 类似海明距离，每个类别求准确后，再求微平均
Out[128]: 3
 
# 2, metrics

from sklearn import metrics

metrics.precision_score(y_true, y_pred, average='micro')  # 微平均，精确率
Out[130]: 0.33333333333333331
 
metrics.precision_score(y_true, y_pred, average='macro')  # 宏平均，精确率
Out[131]: 0.375
 
metrics.precision_score(y_true, y_pred, labels=[0, 1, 2, 3], average='macro')  # 指定特定分类标签的精确率
Out[133]: 0.5


参数average=‘micro’/‘macro’/'weighted’ :
    macro：计算二分类metrics的均值，为每个类给出相同权重的分值。
当小类很重要时会出问题，因为该macro-averging方法是对性能的平均。
另一方面，该方法假设所有分类都是一样重要的，因此macro-averaging
方法会对小类的性能影响很大
 
    micro： 给出了每个样本类以及它对整个metrics的贡献的pair（sample-
weight），而非对整个类的metrics求和，它会每个类的metrics上的权重及
因子进行求和，来计算整个份额。Micro-averaging方法在多标签（multilabel）
问题中设置，包含多分类，此时，大类将被忽略
 
    weighted: 对于不均衡数量的类来说，计算二分类metrics的平均，
通过在每个类的score上进行加权实现

2.召回率

#  *************召回率*************
y_pred = [0, 2, 1, 3,9,9,8,5,8]
y_true = [0, 1, 2, 3,2,6,3,5,9]

from sklearn import metrics

metrics.recall_score(y_true, y_pred, average='micro')
Out[134]: 0.33333333333333331


metrics.recall_score(y_true, y_pred, average='macro')
Out[135]: 0.3125
 

metrics.f1_score(y_true, y_pred, average='weighted') 
Out[136]: 0.37037037037037035

3.混淆矩阵

#  *************混淆矩阵*************
y_pred = [0, 2, 1, 3,9,9,8,5,8]
y_true = [0, 1, 2, 3,2,6,3,5,9]


from sklearn.metrics import confusion_matrix
confusion_matrix(y_true, y_pred)
 
Out[137]:
array([[1, 0, 0, ..., 0, 0, 0],
       [0, 0, 1, ..., 0, 0, 0],
       [0, 1, 0, ..., 0, 0, 1],
       ...,
       [0, 0, 0, ..., 0, 0, 1],
       [0, 0, 0, ..., 0, 0, 0],
       [0, 0, 0, ..., 0, 1, 0]])

4.ROC

#  *************ROC*************
# 1，计算ROC值
import numpy as np
from sklearn.metrics import roc_auc_score

y_true = np.array([0, 0, 1, 1])
y_scores = np.array([0.1, 0.4, 0.35, 0.8])

roc_auc_score(y_true, y_scores)
 
# 2，ROC曲线
y = np.array([1, 1, 2, 2])
scores = np.array([0.1, 0.4, 0.35, 0.8])

fpr, tpr, thresholds = roc_curve(y, scores, pos_label=2)

5.海明距离

#  *************海明距离*************
from sklearn.metrics import hamming_loss
y_pred = [1, 2, 3, 4]
y_true = [2, 2, 3, 4]

hamming_loss(y_true, y_pred)

Out[137]:
0.25

6.Jaccard距离

#  *************Jaccard距离*************
y_pred = [0, 2, 1, 3,4]
y_true = [0, 1, 2, 3,4]

import numpy as np
from sklearn.metrics import jaccard_similarity_score

jaccard_similarity_score(y_true, y_pred)
0.5
jaccard_similarity_score(y_true, y_pred, normalize=False)
2

7.classification_report
classification_report中的各项得分的avg/total 是每一分类占总数的比例加权算出来的

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
'''

二，回归问题
回归问题的评价测度
(1)MAE，即平均绝对误差(Mean Absolute Error,)
(2) MSE，均方误差(Mean Squared Error)
(3)RMSE，均方根误差(Root Mean Squared Error )
(4)MAE,中值绝对误差（Median absolute error）
(5)EVS,可释方差值（Explained variance score）
(6)R,R方值，确定系数

from sklearn import metrics
import numpy as np
true = [100, 50, 30, 20]#这是一组真实的数据
pred = [90, 50, 50, 30]#这是预测出来的数据
MSE=metrics.mean_squared_error(true, pred)#输出得150.0
RMSE=np.sqrt(metrics.mean_squared_error(true, pred))#输出得12.247
MAE=metrics.median_absolute_error(y_true, y_pred)#中值绝对误差
EVS=metrics.explained_variance_score(y_true, y_pred) #可释方差值
R=metrics.r2_score(y_true, y_pred)#R方值，确定系数

或

#  *************平均绝对误差（Mean absolute error）*************
from sklearn.metrics import mean_absolute_error
y_true = [3, -0.5, 2, 7]
y_pred = [2.5, 0.0, 2, 8]
mean_absolute_error(y_true, y_pred)
 
#  *************均方误差（Mean squared error）*************
from sklearn.metrics import mean_squared_error
y_true = [3, -0.5, 2, 7]
y_pred = [2.5, 0.0, 2, 8]
mean_squared_error(y_true, y_pred)
 
#  *************中值绝对误差（Median absolute error）*************
from sklearn.metrics import median_absolute_error
y_true = [3, -0.5, 2, 7]
y_pred = [2.5, 0.0, 2, 8]
median_absolute_error(y_true, y_pred)

#  *************可释方差值（Explained variance score）************
from sklearn.metrics import explained_variance_score
y_true = [3, -0.5, 2, 7]
y_pred = [2.5, 0.0, 2, 8]
explained_variance_score(y_true, y_pred) 
 
#  *************R方值，确定系数*************
from sklearn.metrics import r2_score
y_true = [3, -0.5, 2, 7]
y_pred = [2.5, 0.0, 2, 8]
r2_score(y_true, y_pred)

三。交叉验证
5.1 交叉验证
交叉验证cross_val_score的scoring参数

分类：accuracy(准确率)、f1、f1_micro、f1_macro（这两个用于多分类的f1_score）、precision(精确度)、recall(召回率)、roc_auc
回归：neg_mean_squared_error（MSE、均方误差）、r2
聚类：adjusted_rand_score、completeness_score等

from sklearn.model_selection import cross_val_score
cross_val_score(model, X, y=None, scoring=None, cv=None, n_jobs=1)
"""参数
---
    model：拟合数据的模型
    cv ： k-fold
    scoring: 打分参数-‘accuracy’、‘f1’、‘precision’、‘recall’ 、‘roc_auc’、'neg_log_loss'等等
"""

关于交叉验证具体请看Python机器学习笔记：sklearn库的学习的“5，模型评估与选择”和“8，几种交叉验证（cross validation）方式的比较”
5.2 检验曲线
使用检验曲线，我们可以更加方便的改变模型参数，获取模型表现。

from sklearn.model_selection import validation_curve
train_score, test_score = validation_curve(model, X, y, param_name, param_range, cv=None, scoring=None, n_jobs=1)
"""参数
---
    model:用于fit和predict的对象
    X, y: 训练集的特征和标签
    param_name：将被改变的参数的名字
    param_range： 参数的改变范围
    cv：k-fold
    
返回值
---
   train_score: 训练集得分（array）
    test_score: 验证集得分（array）
"""

6 保存模型

最后，我们可以将我们训练好的model保存到本地，或者放到线上供用户使用，那么如何保存训练好的model呢？主要有下面两种方式：
6.1 保存为pickle文件

import pickle
 
# 保存模型
with open('model.pickle', 'wb') as f:
    pickle.dump(model, f)
 
# 读取模型
with open('model.pickle', 'rb') as f:
    model = pickle.load(f)
model.predict(X_test)

6.2 sklearn自带方法joblib

from sklearn.externals import joblib
 
# 保存模型
joblib.dump(model, 'model.pickle')
 
#载入模型
model = joblib.load('model.pickle')

7，模型评分

1，模型的score方法：最简单的模型评估方法就是调用模型自己的方法：

# 预测
y_predict = knnClf.predict(x_test)
print("score on the testdata:",knnClf.score(x_test,y_test))

2，sklearn的指标函数：库提供的一些计算方法，常用的有classification_report方法

3，sklearn也支持自己开发评价方法。

BlackTurn

关注

3
点赞
踩
17

收藏

觉得还不错? 一键收藏
打赏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录