机器学习—性能度量

一个机器学习模型需要一些性能度量指标来判断它的好坏，了解各种评估的方法优点和缺点，在实际应用中选择正确的评估方法是十分重要的。

对于分类模型的各种性能度量的算法，如准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1值等，接下来我们将详细的说明这些行性能度量算法。

1.代码示例

from sklearn.metrics import precision_score
from sklearn.metrics import confusion_matrix
from sklearn.metrics import classification_report
y_true=[1,0,1,1,0] #样本实际值
y_pred=[1,0,1,0,0] #模型预测值
res=precision_score(y_true,y_pred,average=None) #准确率
#[0.66666667    1. ] 分别是正例和反例的预测准确率，2/3与2/2
print(res)
res=confusion_matrix(y_true,y_pred) # 混淆矩阵
print(res)
# [[2 0]
#  [1 2]]
res=classification_report(y_true,y_pred) #分类报告，获取更多详细的内容
print(res)

#k折交叉验证法
from sklearn.model_selection import cross_val_score
from sklearn.datasets import load_iris #导入鸢尾花数据集
from sklearn.svm import SVC
iris=load_iris()
clf=SVC(kernel='linear',C=1) #构建支持向量机模型
scores=cross_val_score(clf,iris.data,iris.target,cv=5)
print(scores)

2.参考文章

机器学习中的性能度量 - 知乎

【创作不易，望点赞收藏，若有疑问，请留言，谢谢】

标签：iris,机器,res,性能,score,print,import,度量,sklearn
来源： https://www.cnblogs.com/dongxuelove/p/16434211.html