机器学习中分类和回归模型的评价指标

2024-04-30 12:41:39

分类算法的效果评估

1，准确率accuracy_score
from sklearn.metrics import accuracy_score

2，精确率/查准率precision_score
from sklearn.metrics import precision_score
分为宏平均（macro）和微平均（micro），宏平均比微平均更合理。
metrics.precision_score(y_true, y_pred, average='micro')
metrics.precision_score(y_true, y_pred, average='macro')
其中average参数有五种：(None, ‘micro’, ‘macro’, ‘weighted’, ‘samples’)

3，召回率/查全率recall_score
from sklearn.metrics import recall_score
召回率也有宏平均和微平均的区别，和上面的用法一样。

4，F1-score
from sklearn.metrics import f1_score
metrics.f1_score(y_true, y_pred, average='weighted')

5，混淆矩阵（confusion-matrix）
from sklearn.metrics import confusion_matrix

6，分类报告（classification_report）
from sklearn.metrics import classification_report
包含precision/recall/f1-score/均值/分类个数

7，kappa score
from sklearn.metrics import cohen_kappa_score
cohen_kappa_score(y_true, y_pred)

8，ROC
1）计算ROC值
from sklearn.metrics import roc_auc_score
roc_auc_score(y_true, y_scores)
2）画ROC图
具体画ROC图的方法请参照官方给出的代码
http://scikit-learn.org/stable/auto_examples/model_selection/plot_roc.html

9，距离
1）海明距离（hamming_loss）
from sklearn.metrics import hamming_loss
hamming_loss(y_true, y_pred)
2）Jaccard距离（jaccard_similarity_score）
from sklearn.metrics import jaccard_similarity_score
jaccard_similarity_score(y_true, y_pred)

回归算法的评价指标

1，可释方差也叫解释方差（explained_variance_score）
from sklearn.metrics import explained_variance_score
explained_variance_score(y_true, y_pred)

2，平均绝对误差（mean_absolute_error）
from sklearn.metrics import mean_absolute_error
mean_absolute_error(y_true, y_pred)

3，均方误差（mean_squared_error）
from sklearn.metrics import mean_squared_error
mean_squared_error(y_true, y_pred)

4，中值绝对误差（median_absolute_error）
from sklearn.metrics import median_absolute_error
median_absolute_error(y_true, y_pred)

5，R方值，确定系数（r2_score）
from sklearn.metrics import r2_score
r2_score(y_true, y_pred)

作者：曦宝
链接：https://www.jianshu.com/p/c3cf5c6081ad
来源：简书
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

机器学习中分类和回归模型的评价指标相关推荐

机器学习中分类与聚类的本质区别
机器学习中分类与聚类的本质区别机器学习中有两类的大问题,一个是分类,一个是聚类. 在我们的生活中,我们常常没有过多的去区分这两个概念,觉得聚类就是分类,分类也差不多就是聚类,下面,我们就具体来研究下 ...
手把手带你玩转Spark机器学习-使用Spark构建回归模型
系列文章目录手把手带你玩转Spark机器学习-专栏介绍手把手带你玩转Spark机器学习-问题汇总手把手带你玩转Spark机器学习-Spark的安装及使用手把手带你玩转Spark机器学习-使用S ...
R语言epiDisplay包mlogit.display函数无序多分类logistic回归模型的汇总统计信息（各分组模型对应系数及标准差、相对危险降低率RRR值及其置信区间、AIC值等）、保存到csv
R语言使用epiDisplay包的mlogit.display函数获取无序多分类logistic回归模型的汇总统计信息(各分组模型对应的系数及标准差.相对危险降低率RRR值及其置信区间.AIC值等). ...
二分类Logistic回归模型
Logistic回归属于概率型的非线性回归,分为二分类和多分类的回归模型.这里只讲二分类. 对于二分类的Logistic回归,因变量y只有"是.否"两个取值,记为1和0.这种值为0 ...
R语言无序多分类Logistic回归模型实战
R语言无序多分类Logistic回归模型实战目录 R语言无序多分类Logistic回归模型实战 #导入包 #加载数据数据编码
R语言使用epiDisplay包的logistic.display函数获取二分类logistic回归模型的汇总统计信息（自变量初始和调整后的优势比及置信区间，回归系数的Wald检验的p值、简化汇总结果
R语言使用epiDisplay包的logistic.display函数获取二分类logistic回归模型的汇总统计信息(自变量初始和调整后的优势比及置信区间,回归系数的Wald检验的p值.自变量的似然 ...
R语言glm函数构建二分类logistic回归模型、epiDisplay包logistic.display函数获取模型汇总统计信息（自变量初始和调整后的优势比及置信区间，回归系数的Wald检验的p值
R语言glm函数构建二分类logistic回归模型(family参数为binomial).使用epiDisplay包logistic.display函数获取模型汇总统计信息(自变量初始和调整后的优势比 ...
R语言使用epiDisplay包的mlogit.display函数获取无序多分类logistic回归模型的汇总统计信息（各分组模型对应的系数及标准差、相对危险降低率RRR值及其置信区间、AIC值等）
R语言使用epiDisplay包的mlogit.display函数获取无序多分类logistic回归模型的汇总统计信息(各分组模型对应的系数及标准差.相对危险降低率RRR值及其置信区间.AIC值等) ...
R语言epiDisplay包mlogit.display函数获取无序多分类logistic回归模型的汇总统计信息（各分组模型对应系数及标准差、相对危险降低率RRR值及其置信区间、AIC值等）、汇总统计
R语言使用epiDisplay包的mlogit.display函数获取无序多分类logistic回归模型的汇总统计信息(各分组模型对应的系数及标准差.相对危险降低率RRR值及其置信区间.AIC值等). ...

最新文章

热门文章