【sklearn第二十六讲】模型评价

机器学习训练营——机器学习爱好者的自由交流空间（入群联系qq：2279055353）

scikit-learn有三种不同的API评价一个模型的预测质量。

• 估计量分数方法：估计量的score方法，对于设计解决的问题提供了一个默认的评价准则。

• 分数参数：使用交叉验证的模型评价工具依赖一个内部的打分策略。

• 测度函数：metrics模块提供评价模型预测误差的函数。

分数参数：定义模型评价规则

普遍的情况：预定义值

对于大多数普遍使用的例子，你能够使用scoring参数定义一个分数对象，下表列出了所有可能的值。所有分数对象都遵守的规则是：返回值越高越好。

用法例子：

从测度函数定义分数策略

sklearn.metrics模块提供一套简单的函数，提供给定真实情况下的预测误差。

• 以_score编辑的函数，返回值越大越好。

• 以_error or _loss编辑的函数，返回值越小越好。如果使用make_scorer转换成一个分数对象，将参数greater_is_better设为False.

一个典型的使用情况是，从具有非默认值参数的库里wrap一个存在的测度函数。例如，fbeta_score函数的beta参数。