机器学习之模型评分

今天给大家带来一篇如何评价模型的好坏以及模型的得分

最下面的代码最有用

 

一、错误率与精度（accuracy 准确）

       错误率和精度是分类任务中最常用的两种性能度量，既适用于二分类任务，也适用于多分类任务。错误率是分类错误的样本数占样本总数的比例，精度则是分类正确的样本数占样本总数的比例。

 

from sklearn import metrics
print('模型精度:',metrics.accuracy_score(y_test,y_predict))

 

二、查准率（precision）、查全率（recall）与F1-score

查准率（P值）是针对我们的预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本 

查全率（R值）是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了 

查准率 P与查全率 R 分别定义为

 

       查准率和查全率是一对矛盾的度量.一般来说，查准率高时，查全率往往偏低;而查全率高时，查准率往往偏低。

       F1-score，是统计学中用来衡量二分类模型精确度的一种指标。它同时兼顾了分类模型的准确率和召回率。F1分数可以看作是模型准确率和召回率的一种加权平均，它的最大值是1，最小值是0。 

       随着阈值的变化，就像假设检验的两类错误一样，如下图所示召回率和精确率不能同时提高，因此我们就需要一个指标来调和这两个指标,于是人们就常用F1-score来进行表示：

 

print('查准率:',metrics.precision(y_test,y_predict))

print('查全率:',metrics.recall_score(y_test,y_predict))

print('F1-score:',metrics.precision_score(y_test,y_predict))

 

 

三、ROC曲线、AUC

              ROC（Receiver Operating Characteristic） 受试者工作特征曲线的纵轴是"真正例率" (True Positive Rate，简称TPR) ，也称灵敏度，横轴是"假正例率" (False Positive Rate，简称FPR) ，也称1-特异度，两者分别定义为 

print('AUC:',metrics.roc_auc_score(y_test,y_pred))

 

 

四、log-loss

          很多机器学习的算法通常会用logloss作为模型评价的指标，对数损失（Log loss）亦被称为逻辑回归损失（Logistic regression loss）或交叉熵损失（Cross-entropy loss），简单来说就是逻辑回归的损失函数。

原文链接:https://www.cnblogs.com/lowbi/p/10692373.html
如有疑问请与原作者联系

标签：

版权申明：本站文章部分自网络，如有侵权，请联系：west999com@outlook.com
特别注意：本站所有转载文章言论不代表本站观点，本站所提供的摄影照片，插画，设计作品，如需使用，请与原作者联系，版权归原作者所有