机器学习实战笔记7实战数据指标，MAE,MSE,sigmoid,entopy,准确率，混淆矩阵

平均绝对误差

初始化数据

计算平均误差

均方误差

初始化

sigmoid函数

构造函数

def sigmoid(x):
    return 1/(1+np.exp(-x))#e的次方

sigmoid(np.array([1,2,3]))

df["varl_sigmoid"] = df["var"].map(sigmoid)#将 DataFrame df 中名为 "var" 的列中的每个值通过 sigmoid 函数进行转换，并将转换后的值存储在新的列 "varl_sigmoid" 中

#将 DataFrame df 中名为 "var" 的列中的每个值通过 sigmoid 函数进行转换，并将转换后的值存储在新的列 "varl_sigmoid" 中

df

entopy熵函数

df = pd.DataFrame(
    {
        "val_1":np.arange(0.01,1,0.1),
        "val_2":1-np.arange(0.01,1,0.1),
    }
)

df

def entropy(x):
    return -np.sum(x*np.log2(x))

df["entropy"] = df.apply(
    lambda x:entropy([x["val_1"],x["val_2"]]),
    axis = 1
)
df

使用 pandas 的 apply 方法来计算每一行的 "熵" 值，并将这个值作为新列 "entropy" 添加到 df 中。这里假设你已经定义了一个名为 entropy 的函数，该函数接受一个包含两个元素的列表，并返回这两个元素的熵值。

准确率

混淆矩阵