python机器学习评估指标,阿里专家原创
TN = 32
FP = 8
FN = 18
精度 = ( TP + TN ) / ( TP + TN + FP + FN )
打印(精度)
输出:
0.74
假设我们有一个分类器,它总是预测“狗”。
| | 预测类别 |
| — | — |
| 猫 | 狗 |
| 实际
班级 | 猫 | 0 | 50 |
| 狗 | 0 | 50 |
在这种情况下,我们的精度为 0.5:
TP , TN , FP , FN = 0 , 50 , 50 , 0
精度 = (TP + TN )/ (TP + TN + FP + FN )
打印(精度)
输出:
0.5
准确性悖论
我们将证明所谓的准确性悖论。
垃圾邮件识别分类器由以下混淆矩阵描述:
| | 预测类别 |
| — | — |
| 垃圾邮件 | 火腿 |
| 实际
班级 | 垃圾邮件 | 4 | 1 |
| 火腿 | 4 | 91 |
TP , TN , FP , FN = 4 , 91 , 1 , 4
准确性 = (TP + TN )/ (TP + TN + FP + FN )
打印(准确性)
输出:
0.95
以下分类器仅预测“ham”并具有相同的准确性。
| | 预测类别 |
| — | — |
| 垃圾邮件 | 火腿 |
| 实际
班级 | 垃圾邮件 | 0 | 5 |
| 火腿 | 0 | 95 |
TP , TN , FP , FN = 0 , 95 , 5 , 0
精度 = (TP + TN )/ (TP + TN + FP + FN )
打印(准确性)
输出:
0.95
该分类器的准确率为 95%,即使它根本无法识别任何垃圾邮件。
精确
–
精度是正确识别的阳性案例与所有预测的阳性案例的比率,即正确和
错误预测的案例为positive
。精度是检索到的与查询相关的文档的比例。公式:
pr电子C一世秒一世○n=吨磷吨磷+F磷
我们将通过一个例子来证明这一点。
| | 预测类别 |
| — | — |
| 垃圾邮件 | 火腿 |
| 实际
班级 | 垃圾邮件 | 12 | 14 |
| 火腿 | 0 | 114 |
我们可以计算precision
我们的例子:
TP = 114
FP = 14
# 公式中不需要 FN (0) 和 TN (12)!
精度 = TP / ( TP + FP )
打印( f "precision: {precision:4.2f} " )
输出:
精度:0.89
练习:在继续阅读文本之前,请先考虑该值的precision
含义。如果您查看我们的垃圾邮件过滤器示例的精确度度量,它会告诉您关于垃圾邮件过滤器质量的什么信息?理想垃圾邮件过滤器的混淆矩阵的结果是什么样的?什么更糟,高 FP 或 FN 值?
您将在以下说明中间接找到答案。
顺便说一下,理想的垃圾邮件过滤器的 FP 和 FN 值都为 0。
先前的结果意味着 100 封邮件中有 11 封会被归类为火腿,即使它们是垃圾邮件。89 个被正确归类为火腿。这是我们应该讨论错误分类成本的地方。当垃圾邮件不被识别为“垃圾邮件”,而是作为“火腿”呈现给我们时,这很麻烦。如果百分比不是太高,这很烦人但不是灾难。相比之下,当非垃圾邮件被错误地标记为垃圾邮件时,该电子邮件在许多情况下不会显示甚至自动删除。例如,这会带来失去客户和朋友的高风险。该措施precision
没有对最后提到的这个问题类别作出任何声明。其他措施呢?
我们将看看recall
和F1-score
。
记起
–
召回率,也称为灵敏度,是正确识别的阳性案例与所有实际阳性案例的比率,它是“假阴性”和“真阳性”的总和。
r电子C一个升升=吨磷吨磷+FN
TP = 114
FN = 0
# 公式中不需要 FT (14) 和 TN (12)!
召回 = TP / ( TP + FN )
打印( f "recall: {recall:4.2f} " )
输出:
召回:1.00
值 1 表示没有非垃圾邮件被错误地标记为垃圾邮件。对于一个好的垃圾邮件过滤器来说,这个值应该是 1 很重要。我们之前已经讨论过这个。
F1-分数
我们将检查的最后一个指标是 F1 分数。
F1=21r电子C一个升升+1pr电子C一世秒一世○n=2⋅pr电子C一世秒一世○n⋅r电子C一个升升pr电子C一世秒一世○n+r电子C一个升升
TF = 7 # 我们将 True false 值设置为 5 %
print ( " FN FP TP pre acc rec f1" )
for FN in range ( 0 , 7 ):
如果你也是看准了Python,想自学Python,在这里为大家准备了丰厚的免费学习大礼包,带大家一起学习,给大家剖析Python兼职、就业行情前景的这些事儿。
一、Python所有方向的学习路线
Python所有方向路线就是把Python常用的技术点做整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
二、学习软件
工欲善其必先利其器。学习Python常用的开发软件都在这里了,给大家节省了很多时间。
三、全套PDF电子书
书籍的好处就在于权威和体系健全,刚开始学习的时候你可以只看视频或者听某个人讲课,但等你学完之后,你觉得你掌握了,这时候建议还是得去看一下书籍,看权威技术书籍也是每个程序员必经之路。
四、入门学习视频
我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了。
四、实战案例
光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
五、面试资料
我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
成为一个Python程序员专家或许需要花费数年时间,但是打下坚实的基础只要几周就可以,如果你按照我提供的学习路线以及资料有意识地去实践,你就有很大可能成功!
,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
五、面试资料
我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
成为一个Python程序员专家或许需要花费数年时间,但是打下坚实的基础只要几周就可以,如果你按照我提供的学习路线以及资料有意识地去实践,你就有很大可能成功!
最后祝你好运!!!
python机器学习评估指标,阿里专家原创相关推荐
- python机器学习评估指标
介绍 不仅在机器学习中,而且在一般生活中,尤其是商业生活中,您都会听到诸如"您的产品有多准确?"之类的问题.或"你的机器有多精确?".当人们收到诸如" ...
- 机器学习评估指标:准确率( Accuracy )、精确率(Precision)、召回率(Recall)、P-R 曲线、均方根误差
在模型评估过程中,分类问题.排序问题.回归问题往往需要使用不同的指标进行评估.在诸多的评估指标中,大部分指标只能片面地反映模型的一部分性能. 如果不能合理地运用评估指标,不仅不能发现模型本身的问题,而 ...
- 机器学习评估指标汇总:准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC曲线、PR曲线
摘要: 数据挖掘.机器学习和推荐系统中的评测指标-准确率(Precision).召回率(Recall).F值(F-Measure)简介. 引言: 在机器学习.数据挖掘.推荐系统完成建模之后,需要对模型 ...
- 机器学习基础专题:评估指标
评估指标 线下使用机器学习评估指标,线上使用的是业务指标.需要进行多轮模型迭代使两个指标变化趋势相同. 分类指标 精确率和召回率 用于二分类问题,结合混淆矩阵. 精确率 P = TPTP+FP\fra ...
- 机器学习框架及评估指标详解
目录 机器学习的步骤 train_test_split函数的详解 机器学习评估指标 分类模型评估指标
- 分类模型-评估指标(2):ROC曲线、 AUC值(ROC曲线下的面积)【只能用于二分类模型的评价】【不受类别数量不平衡的影响;不受阈值取值的影响】【AUC的计算方式:统计所有正负样本对中的正序对】
评价二值分类器的指标很多,比如precision.recall.F1 score.P-R曲线等.但这些指标或多或少只能反映模型在某一方面的性能.相比而言,ROC曲线则有很多优点,经常作为评估二值分类器 ...
- 分类指标(评估指标)
目录 一.评估指标 1.1 分类指标 1.1.1 Precision.Recall.Accuracy.ErrorRate 与 PR 1.1.2 TruePositiveRate.FalsePositi ...
- 一文看懂分类模型的评估指标:准确率、精准率、召回率、F1等
2019-11-21 21:59:23 机器学习模型需要有量化的评估指标来评估哪些模型的效果更好. 本文将用通俗易懂的方式讲解分类问题的混淆矩阵和各种评估指标的计算公式.将要给大家介绍的评估指标有:准 ...
- 【机器学习】27种确定性预测评估指标及其Python实现
在时间序列预测中,评价指标的多样性为模型性能的评估带来多角度的参考意义.该篇推文列举了当前已知的27种确定性预测评估指标及其Python的实现,其中Python的评估指标函数实现基于numpy库(调用 ...
最新文章
- python究竟要不要使用多线程
- 第三十一篇:SOUI布局之相对于特定兄弟窗口
- 最全Windows下搭建go语言开发环境以及开发IDE
- 10个帮助你快速调试和排错的小技巧
- 电子商务的五个技术研发方向
- Jenkins构建之常用的触发器和Git Hook自动构建
- 七十六、SpringBoot 的数据缓存cache+Redis(三)
- debian文本配置网络备忘:/etc/network/interfaces
- Windows8/Silverlight/WPF/WP7/HTML5周学习导读(1月1日-1月6日)
- python怎么接收前端参数_Python常驻任务实现接收外界参数代码解析
- MFC中的文件读写技术
- Linux —— 常用命令集合
- STAR直接就可以输出readsCount,为什么还需要featurecounts?
- 《并行计算的编程模型》一3.1 引言
- 数据库表连接之左连接(LEFT JOIN)、右连接(RIGHT JOIN)和内连接(INNER JOIN)
- CentOS 8 修改DNS地址
- win7设置自动开机时间_电脑如何设置定时开机?瞬间让你的电脑启动变得随心所欲...
- LeetCode上的各种股票最大收益
- QT Andriod U盘检测
- android xposed 简书,Xposed 入坑篇