模型评价方法及代码实现
目录
一、分类评价指标
1.精确率(Precision)
2.召回率(Recall)
3.准确率(Accuracy)
4.F1_score
二、回归评价指标
1.平方根误差(RMSE)
2.均方误差(MSE)
3.平均绝对误差(MAE)
4.R方值(R2_score)
一、分类评价指标
混淆矩阵
| 真实\预测 | 正例 | 反例 |
| 正例 | TP(真正例) | FN(假正例) |
| 反例 | FP(假正例) | TN(真反例) |
TP: 将正例预测为正例（预测正确）
FN: 将正例预测为负例（预测错误）
FP: 将负例预测为正例（预测错误）
TN: 将负例预测为负例（预测正确）
1.精确率(Precision)
定义： 精确率(Precision)，是被判定为正例（反例）的样本中，真正的正例样本（反例样本）的比例。举个例子，一个盒子里有20个小球，10个白的10个黑的，现在要找到盒子中的黑球，拿出了8个球其中2个黑6个白的，那么查找精确率为2/6=0.3333。
公式（分类任务）：
代码：
from sklearn.metrics import precision_scorey_true = [3, 1, 2, 0, 1, 0]
y_pred = [1, 0, 1, 0, 0, 1]precision_score(y_true, y_pred)
2.召回率(Recall)
定义：召回率(Recall)，是被正确分类的正例（反例）样本，占所有正例（反例）样本的比例。举个例子，一个盒子里有20个小球，10个白的10个黑的，现在要找到盒子中的黑球，拿出了8个球其中2个黑6个白的，那么查找召回率为2/10=0.2。
公式（分类任务）：
代码：
from sklearn.metrics import recall_scorey_true = [3, 1, 2, 0, 1, 0]
y_pred = [1, 0, 1, 0, 0, 1]recall_score(y_true, y_pred)
3.准确率(Accuracy)
定义： 指的是分类正确的样本数量占样本总数的比例。
公式：
代码：
import numpy as np
from sklearn.metrics import accuracy_scorey_true = [3, 1, 2, 0, 1, 0]
y_pred = [1, 0, 1, 0, 0, 1]accuracy_score(y_true, y_pred)
注：逻辑回归
LogisticRegression.score()与K-邻近算法KNeighborsClassifier.score()中使用的就是该评价方法。
4.F1_score
定义： 精确率和召回率的调和平均值。
公式：
代码：
from sklearn.metrics import f1_scorey_true = [3, 1, 2, 0, 1, 0]
y_pred = [1, 0, 1, 0, 0, 1]f1_score(y_true, y_pred)
二、回归评价指标
1.平方根误差(RMSE)
平方根误差(RMSE)，其又被称为RMSD（root mean square deviation），是回归模型中最常用的评价指标。
from sklearn.metrics import mean_squared_errory_true = [1,2,4]
y_pred = [1,3,5]RMSE = mean_squared_error(y_true,y_pred)**0.52.均方误差(MSE)
from sklearn.metrics import mean_squared_errory_true = [1,2,4]
y_pred = [1,3,5]MSE = mean_squared_error(y_true,y_pred)
3.平均绝对误差(MAE)
from sklearn.metrics import mean_absolute_errory_true = [1,2,4]
y_pred = [1,3,5]MAE = mean_absolute_error(y_true,y_pred)
4.R方值(R2_score)
from sklearn.metrics import r2_scorey_true = [1,2,4]
y_pred = [1,3,5]R2 = r2_score(y_true,y_pred)
注：线性回归
LinearRegression.score()中使用的就是该评价方法
该篇主要文章参考 K同学啊 博客
模型评价方法及代码实现相关推荐
- 机器学习第10天：模型评价方法及代码实现
文章目录 一.分类评价指标 1.精确率(Precision) 2.召回率(Recall) 3.准确率(Accuracy) 4.F1_score 二.回归评价指标 1.平方根误差(RMSE) 2.均方误 ...
- python程序题求roc-auc是一种常用的模型评价指标_模型评价方法
第五章 模型评价方法 5.1 模型的评价方法介绍 5.1.1~5 accuracy,precision,recall,F1-score,ROC曲线 分别画图举例,要说出应用场景,例如什么情况用什么评价 ...
- kaggle点赞最多的 泰坦尼克号数据竞赛模型融合方法(附代码)
听说很多大佬都是从kaggle上获取的知识, 加工整理成一套属于自己的竞赛体系 今年7月份我开始参加大数据竞赛, 现在差不多有10场比赛了, 都是结构化比赛. 小的比赛还能进Top名次, 大点的比赛就 ...
- ML之Validation：机器学习中模型验证方法的简介、代码实现、案例应用之详细攻略
ML之Validation:机器学习中模型验证方法的简介.代码实现.案例应用之详细攻略 目录 模型验证方法的简介 1.Hold-out验证 2.K-折交叉验证 3.自助重采样 模型验证方法的代码实现 ...
- python图像融合算法_图像融合质量评价方法的python代码实现——MS-SSIM
图像融合质量评价方法的python代码实现--MS-SSIM 图像融合质量评价方法的python代码实现--MS-SSIM 文章目录 1 前言 2 MS-SSIM介绍 2 MS-SSIM的代码 2.1 ...
- 机器学习图像分割——模型评价总结(含完整代码)
机器学习&图像分割--模型评价总结(含完整代码) 模型评价的方法指标有很多,如:PR-curve,MAE,ROC,Precision,Recall,AUC,AP,mAP,DSI,VOE,RVD ...
- 评价模型的方法Matthews correlation coefficient (MCC)
评价模型的方法, Matthews correlation coefficient (MCC) Matthews相关系数_YW_Vine的博客-CSDN博客 写的蛮好的↑
- lasso模型交替方向matlab_TCGA系列学习笔记（7）建模及模型评价
微信公众号:生信小知识 关注可了解更多的教程及单细胞知识.问题或建议,请公众号留言; TCGA系列学习笔记(7)建模及模型评价 内容目录 前言1. 背景知识1.1 Cox前提假设的验证1.2 lass ...
- statistic在c语言中的作用,模型评价除了C-statistic，还能用什么指标？
原标题:模型评价除了C-statistic,还能用什么指标? 前言 近日有朋友在<统计咨询>公众号咨询:评价预测模型时,除了C-statistic,还能用什么指标?小编的第一反应是可用的指 ...
最新文章
- 关于使用sklearn进行数据预处理 —— 归一化/标准化/正则化
- 区块链之比特币的潜在激励
- UltraEdit 21激活
- 关于AI方面创业公司的分析
- 转帖一篇：截取密码（VC++）学习消息VC++的好处
- 【详细解读】CSS渐变用法——Web前端系列学习笔记
- 数据结构 -- 搜索二叉树
- NSTimer不准确与GCDTimer详解
- 开始使用gradle
- 10.1自动机器学习Auto_ML
- 大数据教程（10.3）web日志数据清洗
- qt 实现、区分鼠标单击，双击事件
- 《英雄联盟》“被手游”背后，是移动电竞的成长期烦恼
- MATLAB 插值放大
- 支付宝登录java_支付宝开发平台之第三方授权登录与获取用户信息
- Anchor-Free系列之CornerNet: Detecting Objects as Paired Keypoints
- 人脸识别和人脸检测的区别
- linux shell 安装curl,bash – 不能使用curl安装NPM
- STM32F0的BOOT
- 关于maven更新超时问题显示报错