评估模型
不同的应用有着不同的目标,不同的评价指标
模型评价指标
准确率
准确率越高,模型不一定越好
准确率是常见的一种评估模型,但是准确率越高模型不一定越好。
举个例子
假设,在1000个样本中,有999个正样本,1个负样本(不均衡数据集) 如果全部预测正样本,就可以得到准确率99.9%!
这样的场景有:信用卡欺诈检测,离职员工检测等。
有些任务更关心的是某个类的准确率,而非整体的准确率。
比如预测病人是否患癌症,100个人只有1个人换癌症,模型的准确率为99%,但是此模型可能把本来患病的人预测成不患病,这样的情况是非常危险的。
既然准确率不足以进行模型评价,下面介绍几个模型评价的指标。
精确率,召回率
- 真正例(TP)
预测值是1,真实值是1。被正确分类的正例样本。 - 假正例(FP)
预测值是1,但真实值是0 - 真反例(TN)
预测值是0,真实值是0 - 假反例(FN)
预测值是0,但真实值是1。
正反例是相对于预测值来说的,预测值是1时即正例,预测值为0时范例。再次基础上,如果真实值与预测值一致,则是真的,反之为假的。这样就构成了上述四种评价指标。
根据上述的四种评价,我们可以组合成有意义的评价指标
•TPR(Recall,召回率):TP/(TP + FN),表示检测率,在所有实际值为1的样本中,被正确预测为1的比率
•Precision(精确率): TP/(TP + FP) ,在所有预测值为1的样本中,被正确预测的比例
•FPR: FP/(TN+FP),在所有实际值是0的样本中,被错误地预测为1的比例。
•F1
将召回率和精确率用一个数值表示,即F1
sklearn.metrics中包含常用的评价指标
1.求准确率
即所有预测值为1的样本中,被正确预测的比例
accuracy_score(y_true, y_pred, normalize=True, sample_weight=None)
参数:
- y_true :验证集
- y_pred :分类器的返回值
- normalize:默认值为True,返回正确分类的比例;如果为False,返回正确分类的样本数
2.求精确率
即所有预测值为1的样本中,被正确预测的比例
precision_score(y_true