【机器学习】关于分类和回归模型，几种常见的模型好坏评价标准

首先：文中有废话，有缺失是必然的，大家听我bb几分钟，不如看看👇

• 官方文档

时隔好久，我又回来更新了
一方面是又学到了新的干货，
一方面是把我学到的内容和big data的同学们分享一下，希望对大家课设有所帮助

1.分类模型评估

1.1 准确率(accuracy)

准确率一般用于评价分类器，是正确分类的样本数与总样本数之比

from sklearn.metrics import accuracy_score
# y_true是指真实值
# y_pred模型根据数据（一般是训练集数据）得出的预测值
print('Accuracy score: ', format(accuracy_score(y_test, y_pred)))

1.2 精确率和召回率和F1值

已有的定义和公式我就不说了，接下来我说点人话
混淆矩阵相关的概念也有很多，在此同样略过
说的笼统且不专业一点：
精确率（precision），也称查准率,P = 预测对的/（预测对的+预测错的）
召回率（recall），即查全率，F = 预测对的/（预测对的+没预测出来的）
F1是precision和recall的调和均值 F1 = 2PR/(P+R)
P & R都很高时，F1也会很高

from sklearn.metrics import precision_score, recall_score,f1_score

print('Accuracy score: ', accuracy_score(y_test, predictions))
print