sklearn.metrics中的评估方法介绍

最新推荐文章于 2024-07-09 15:59:42 发布

52caml

最新推荐文章于 2024-07-09 15:59:42 发布

阅读量2.9w

点赞数 3

分类专栏：数据挖掘/机器学习 Python 信息检索

本文链接：https://blog.csdn.net/zhouyongsdzh/article/details/24802707

版权

数据挖掘/机器学习同时被 3 个专栏收录

46 篇文章 1 订阅

订阅专栏

信息检索

22 篇文章 0 订阅

订阅专栏

Python

13 篇文章 0 订阅

订阅专栏

1. sklearn.metrics.roc_curve(true_y. pred_proba_score, pos_labal)

计算roc曲线，roc曲线有三个属性：fpr, tpr,和阈值，因此该函数返回这三个变量,l例如

import numpy as np
from sklearn.metrics import roc_curve
y = np.array([1,1,2,2])
pred = np.array([0.1, 0.4, 0.35, 0.8])
fpr, tpr, thresholds = roc_curve(y, pred, pos_label=2)
fpr      # array([ 0. ,  0.5,  0.5,  1. ])
tpr      # array([ 0.5,  0.5,  1. ,  1. ])
thresholds      #array([ 0.8 ,  0.4 ,  0.35,  0.1 ])
from sklearn.metrics import auc
metrics.auc(fpr, tpr)
0.75

2. sklearn.metrics.auc(x, y, reorder=False):

计算AUC值，其中x,y分别为数组形式，根据(xi, yi)在坐标上的点，生成的曲线，然后计算AUC值；

3. sklearn.metrics.roc_auc_score(true_y, pred_proba_y)

直接根据真实值（必须是二值）、预测值（可以是0/1, 也可以是proba值）计算出auc值，中间过程的roc计算省略