sklearn中的metrics.roc_auc_score评价指标
参数说明
from sklearn.metrics import roc_auc_score
roc_auc_score(y_true, y_score, *, average='macro', sample_weight=None,
max_fpr=None, multi_class='raise', labels=None)
计算曲线ROC的面积- Parameters(参数)
y_true : array-like of shape (n_samples,) or (n_samples, n_classes)
真实数据
二分类和多分类需要带有shape (n_samples)的标签,而多标签情况需要带有shape (n_samples, n_classes)
的二进制标签。y_score : array-like of shape (n_samples,) or (n_samples, n_classes)
预测结果数据
1.在二分类的情况下,它对应于形状数组(n_samples,),可以提供概率估计和非阈值决策值
概率估计值对应于具有更大标签的类别的概率,即estimator.classes_ [1],
因此是estimator.predict_proba(X,y)[:, 1]。
决策值对应于estimator.decision_function(X,y)的输出。
2.在多分类情况下,它对应于由predict_proba方法提供的概率估计的形状数组(n_samples,n_classes)
每个sample概率估计值为1;此外,每一个sample的概率估计值的顺序必须与y_true中标签的顺序相对应。
3.在多标签情况下,它对应于一个形状数组(n_samples,n_classes)。
概率估计由predict_proba方法提供,非阈值决策值由decision_function方法提供。average : {‘micro’, ‘macro’, ‘samples’, ‘weighted’} or None, default=’macro’
当y_true是二进制时,这个参数将被忽略
'macro':简单地计算 binary metrics (二分指标)的平均值,赋予每个类别相同的权重
'micro':给每个 sample-class pair (样本类对)对 overall metric (总体指数)
(sample-class 权重的结果除外) 等同的贡献。除了对每个类别的 metric 进行求和之外,这
个总和构成每个类别度量的 dividends (除数)和 divisors (除数)计算一个整体商。 在
multilabel settings (多标签设置)中,Micro-averaging 可能是优先选择的,包括要忽略
majority class (多数类)的 multiclass classification (多类分类)
'weighted': 通过计算其在真实数据样本中的存在来对每个类的 score 进行加权的 binary metrics (二分指标)
的平均值来计算类不平衡。
'samples':仅适用于多标签问题。它不计算每个类别的 measure,而是计算评估数据中的每个样本
的真实和预测类别的 metric (指标),并返回 (sample_weight-weighted) 加权平均。
sample_weight :array-like of shape (n_samples,), default=None
样品权重sample_weight : array-like of shape (n_samples,), default=None
如果不为None,则返回范围为[0,max_fpr]的标准化部分AUC
对于多分类情况,max_fpr应该等于None或1.0multi_class:{‘raise’, ‘ovr’, ‘ovo’}, default=’raise’
仅用于多分类,默认值会引发错误,因此必须显式传递'ovr'或'ovo'
'ovr':一对多
'ovo':一对一
这两个概念想了解的参考为2.逻辑回归部分labels : array-like of shape (n_classes,), default=None
仅用于多分类,标签列表索引了y_score中的类,如果为None,则使用y_true中标签的数字或字典顺序- 返回
AUC值
获取auc的方式
二分类:
from sklearn.datasets import load_breast_cancer
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import roc_auc_score
X, y = load_breast_cancer(return_X_y=True)
clf = LogisticRegression(solver="liblinear", random_state=0).fit(X, y)from sklearn.metrics import roc_auc_score
#方式一
roc_auc_score(y, clf.predict_proba(X)[:, 1])
#方式二
roc_auc_score(y, clf.decision_function(X))
多分类:
from sklearn.datasets import load_irisX, y = load_iris(return_X_y=True)
clf = LogisticRegression(solver="liblinear").fit(X, y)
clf.predict_proba(X) from sklearn.metrics import roc_auc_score
#multi_class='ovr'
roc_auc_score(y, clf.predict_proba(X), multi_class='ovr')
2.4 sklearn中的metrics.roc_auc_score评价指标_哎呦-_-不错的博客-CSDN博客_metrics.roc_auc_score
sklearn中的metrics.roc_auc_score评价指标相关推荐
- sklearn中的metrics
文章目录 MSE 交叉验证 准确率.精度.召回率.F1.AUC 准确率 混淆矩阵 精度.召回率.F1 ROC & AUC 阈值衡量.ROC曲线 阈值选择 ROC曲线 多分类的metrix问题, ...
- sklearn中的支持向量机SVM(下)
1 二分类SVC的进阶 1.1 SVC用于二分类的原理复习 sklearn中的支持向量机SVM(上) 1.2 参数C的理解进阶 有一些数据,可能是线性可分的,但在线性可分状况下训练准确率不能达到100 ...
- 02_混淆矩阵、准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F值(F-Measure) +Roc曲线和PR曲线+sklearn中分类模型评估API+ 自己补充整理
此博文参考: 关于ROC绘制参考博文: https://blog.csdn.net/u011630575/article/details/80250177 Python+ROC相关的博文: https ...
- sklearn中的聚类算法K-Means
1 概述 1.1 无监督学习与聚类算法 决策树.随机森林.逻辑回归虽然有着不同的功能,但却都属于"有监督学习"的一部分,即是说,模型在训练的时候,既需要特征矩阵XXX,也需要真实标 ...
- sklearn中一些参数
转载:http://www.cnblogs.com/chenyaling/p/7826229.html 1.监督学习 1.1.广义线性模型 1.1.1.普通最小二乘法 class sklearn.l ...
- sklearn中的朴素贝叶斯
1 概述 1.1 真正的概率分类器 在许多分类算法应用中,特征和标签之间的关系并非是决定性的.如想预测一个人究竟是否能在泰坦尼克号海难中生存下来,可以建一棵决策树来学习训练集.在训练中,其中一个人的特 ...
- 机器学习 | Sklearn中的朴素贝叶斯全解
前期文章介绍了朴素贝叶斯理论,掌握理论后如何去使用它,是数据挖掘工作者需要掌握的实操技能,下面来看看Sklearn中都有哪些朴素贝叶斯. 朴素贝叶斯是运用训练数据学习联合概率分布 及 ,然后求得后验概 ...
- sklearn中的xgboost_xgboost来了
一.xgboost前奏 1,介绍一下啥是xgboost XGBoost全称是eXtreme Gradient Boosting,即极限梯度提升算法.它由陈天奇所设计,致力于让提升树突破自身的计算极限, ...
- Sklearn中的CV与KFold详解
关于交叉验证,我在之前的文章中已经进行了简单的介绍,而现在我们则通过几个更加详尽的例子.详细的介绍 CV %matplotlib inline import numpy as np from skle ...
最新文章
- 自动驾驶领域大佬在CVPR2020中 关于3D Reconstruction Learning的报告
- Unable to start activity ComponentInfo
- TLS1.3握手流程以及参数详解
- P3935 Calculating 整除分块
- java中判断一个字符在字符串中出现的次数
- 基本的Windows相关的DOS命令
- 经典面试题(51):以下代码将输出的结果是什么?
- java光标修订_如何在java中更改鼠标光标?
- 一键获取数据库整体信息脚本
- 中国云市场生变:华为云 Q2 份额超 AWS,IaaS+PaaS 迎来整体增长
- 在hibernate框架中,自己如何使用框架自己生成建表语句
- 2021年9月计算机二级Office电脑版刷题软件(真题题库)分享
- 《R语言初学者指南》pdf
- 上传叶绿体基因组序列至NCBI
- Ubuntu下ASIC/FPGA环境搭建
- 破解 --- apk文件解析
- Vue中使用Lodash
- IJCAI21审稿机制介绍:提交时间、提交流程、注意事项等
- APP上架各大应用市场对比
- AndroidQ 分屏窗口尺寸计算 (WMS部分)