sklearn在机器学习中的应用-工程实践
[toc]
模型评估指标
回归模型的指标
- 绝对误差
mean_absolute_error
1
from sklearn.metrics import mean_absolute_error
2
mean_absolute_error(y_true,y_pred)
- 均方误差
mean_squared_error
### 分类模型的指标1
from sklearn.metrics import mean_squared_eror
2
mean_squared_error(y_true,y_pred)
- 准确率
accuracy
参数1
from sklearn.metircs import accuracy_score
2
Accuracy=accuracy_score(y_true,y_pred,normalize=True)
normalize
选择输出结果的类型- True 输出为准确率
- False 输出为验证集被正确分类的数目
- 精度
precision
参数1
from sklearn.metrics import precision_score
2
Precision=precision_score(y_true,y_pred,average=None)
average
计算方式- None 返回输出各个类别的精度列表
- macro 直接计算各个类别的精度值的平均
- weight 可通过对每个类别的score进行加权求得
- micro 多标签问题中,大类将被忽略
- 召回率
recall
查全率1
from sklearn.metrics import recall_score
2
Recall=recall_score(y_true,y_pred,average=None)
- F1值
1
from sklearn.metircs import f1_score
2
F1=f1_score(y_true,y_pred,pos_label=1,average=None)
- 输出
precision、recall、f1-score
参数1
from sklearn.metrics import classification_report
2
classification_report(y_true,y_pred,target_names=None)
target_names
字符列表形式,用来指定输出类别的名字 - ROC曲线参数
1
from sklearn import metrics
2
metircs.roc_curve(y_true,y_pred_prob,pos_label=1)
y_pred_prob
验证集样本的预测概率值pos_label
正例的类别 - AUC曲线返回ROC曲线下的面积
1
from sklearn.metircs import roc_auc_score
2
print roc_auc_score(y_true,y_pred_prob)
- 混淆矩阵
confusion matrix
参数1
from sklearn.metircs import confusion_matricx
2
print confusion_matrix(y_true,y_pred,labels=None)
labels
是字符类别的形式,用来指定各个类别显示的名称距离公式
设向量vector1,vector2
曼哈顿距离欧氏距离1
from numpy import *
2
vector1,vector2
3
print(sum(abs(vector1-vector2)))
切比雪夫距离1
numpy
2
print(sqrt((vector1-vector2)*(vector1-vector2).T))
夹角余弦1
numpy
2
print(abs(vector1-vector2).max)
1
numpy
2
print(vector1.dot(vector2)/(np.linalg.norm(vector1)*np.linalg.norm(vector2)))
转载请注明来源,欢迎对文章中的引用来源进行考证,欢迎指出任何有错误或不够清晰的表达。可以在下面评论区评论,也可以邮件至 jaytp@qq.com
文章标题:sklearn在机器学习中的应用-工程实践
本文作者:Espresso
发布时间:2019-12-02, 18:05:08
最后更新:2019-12-02, 19:32:40
原始链接:http://yoursite.com/2019/12/02/sklearn%E5%9C%A8%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E4%B8%AD%E7%9A%84%E5%BA%94%E7%94%A8-%E5%B7%A5%E7%A8%8B%E5%AE%9E%E8%B7%B5/版权声明: "署名-非商用-相同方式共享 4.0" 转载请保留原文链接及作者。