详解sklearn中的merics
sklearn.metrics 不仅包括了评估功能,还有性能度量,距离度量等 。
分类矩阵
metrics.accuracy_score(y_true, y_pred[, …]) | 精确度 |
metrics.auc(x, y[, reorder]) | AUC面积 |
metrics.average_precision_score(y_true, y_score) | 根据预测得分计算平均精度 |
metrics.balanced_accuracy_score(y_true, y_pred) | 计算平衡精度 |
metrics.brier_score_loss(y_true, y_prob[, …]) |
计算布里尔分数 |
metrics.classification_report(y_true, y_pred) | 构建显示主要分类指标的文本报告 |
metrics.cohen_kappa_score(y1, y2[, labels, …]) | kappa系数用于一致性检验 |
metrics.confusion_matrix(y_true, y_pred[, …]) | 计算混淆矩阵 |
metrics.f1_score(y_true, y_pred[, labels, …]) | 计算F1-score ,也被叫做 平衡 F-score 或者F-measure |
metrics.fbeta_score(y_true, y_pred, beta[, …]) | 计算 F-beta |
metrics.hamming_loss(y_true, y_pred[, …]) | 计算两个样本集合之间的平均汉明距离 |
metrics.hinge_loss(y_true, pred_decision[, …]) | 平均hinge loss (non-regularized) |
metrics.jaccard_similarity_score(y_true, y_pred) | 杰卡德相似系数:衡量2个集合的相似度 |
metrics.log_loss(y_true, y_pred[, eps, …]) | 对数损耗,又称为逻辑损耗或者交叉熵损耗 |
metrics.matthews_corrcoef(y_true, y_pred[, …]) | 计算马修斯相关系数(MCC) |
metrics.precision_recall_curve(y_true, …) | 计算不同概率阈值的精确度、召回度 |
metrics.precision_recall_fscore_support(…) | 计算不同支持度下每一个类的精确度,召回度 |
metrics.precision_score(y_true, y_pred[, …]) | 计算精确度 |
metrics.recall_score(y_true, y_pred[, …]) | 计算召回度 |
metrics.roc_auc_score(y_true, y_score[, …]) | 计算AUC |
metrics.roc_curve(y_true, y_score[, …]) | 计算ROC曲线 |
metrics.zero_one_loss(y_true, y_pred[, …]) | 0-1分类损失 |
回归矩阵
metrics.explained_variance_score(y_true, y_pred) | 解释方差回归评分函数 |
metrics.mean_absolute_error(y_true, y_pred) | 平均绝对误差 |
metrics.mean_squared_error(y_true, y_pred[, …]) | 均方误差 |
metrics.mean_squared_log_error(y_true, y_pred) | 平均平方对数误差 |
metrics.median_absolute_error(y_true, y_pred) | 中位数绝对误差 |
metrics.r2_score(y_true, y_pred[, …]) | R ^ 2(确定系数) |
聚类矩阵
metrics.adjusted_mutual_info_score(…[, …]) | 互信息 用来衡量两个数据分布的吻合程度 |
metrics.adjusted_rand_score(labels_true, …) | 兰德指数 |
metrics.calinski_harabasz_score(X, labels) | 计算Calinski-Harabasz分数值 |
metrics.davies_bouldin_score(X, labels) | 计算Davies-Bouldin score. |
metrics.completeness_score(labels_true, …) | 一个簇 的计算分数 |
metrics.cluster.contingency_matrix(…[, …]) | 建立描述标签之间关系的列联矩阵 |
metrics.fowlkes_mallows_score(labels_true, …) | 衡量两个簇直接的相似性 |
metrics.homogeneity_completeness_v_measure(…) | 同时计算同质性、完整性和V测度得分. |
metrics.homogeneity_score(labels_true, …) | 同质性得分 |
metrics.mutual_info_score(labels_true, …) | 互信息得分 |
metrics.normalized_mutual_info_score(…[, …]) | 标准互信息得分 |
metrics.silhouette_score(X, labels[, …]) | 轮廓系数 |
metrics.silhouette_samples(X, labels[, metric]) | 计算每个样本的轮廓系数 |
metrics.v_measure_score(labels_true, labels_pred) | V测度得分 |
下面附上二分类计算例子
from datetime import datetime
from sklearn import metricsdef accuracy_model(y_tre,y_pre):accuracy=metrics.accuracy_score(y_tre,y_pre) #计算准确度print('finished accuracy,now is :{}'.format(datetime.now())) f1_score=metrics.f1_score(y_tre,y_pre) #计算F1得分print('finished f1-score,now is :{}'.format(datetime.now()))precision=metrics.precision_score(y_tre,y_pre) #计算精确度print('finished precision,now is :{}'.format(datetime.now()))recall=metrics.recall_score(y_tre,y_pre) #计算召回率print('finished recall,now is :{}'.format(datetime.now()))confusion_metrics= metrics.confusion_matrix(y_tre,y_pre ) #计算混淆矩阵return accuracy,f1_score,precision,recall,confusion_metrics
详解sklearn中的merics相关推荐
- 详解sklearn中的make_moons函数
make_moons是函数用来生成数据集,在sklearn.datasets里,具体用法如下: Parameters: n_samples : int, optional (default=100)T ...
- 详解OpenCV中的Lucas Kanade稀疏光流单应追踪器
详解OpenCV中的Lucas Kanade稀疏光流单应追踪器 1. 效果图 2. 源码 参考 这篇博客将详细介绍OpenCV中的Lucas Kanade稀疏光流单应追踪器. 光流是由物体或相机的运动 ...
- python操作目录_详解python中的文件与目录操作
详解python中的文件与目录操作 一 获得当前路径 1.代码1 >>>import os >>>print('Current directory is ',os. ...
- python3中unicode怎么写_详解python3中ascii与Unicode使用
这篇文章主要为大家详解python3中ascii与Unicode使用的相关资料,需要的朋友可以参考下# Auther: Aaron Fan ''' ASCII:不支持中文,1个英文占1个字节 Unic ...
- foreach php,详解PHP中foreach的用法和实例
本篇文章介绍了详解PHP中foreach的用法和实例,详细介绍了foreach的用法,感兴趣的小伙伴们可以参考一下. 在PHP中经常会用到foreach的使用,而要用到foreach,就必须用到数组. ...
- python open 打开是什么类型的文件-详解Python中open()函数指定文件打开方式的用法...
文件打开方式 当我们用open()函数去打开文件的时候,有好几种打开的模式. 'r'->只读 'w'->只写,文件已存在则清空,不存在则创建. 'a'->追加,写到文件末尾 'b'- ...
- python中list[1啥意思_详解Python中list[::-1]的几种用法
本文主要介绍了Python中list[::-1]的几种用法,分享给大家,具体如下: s = "abcde" list的[]中有三个参数,用冒号分割 list[param1:para ...
- java 死锁 内存消耗_详解Java中synchronized关键字的死锁和内存占用问题
先看一段synchronized 的详解: synchronized 是 java语言的关键字,当它用来修饰一个方法或者一个代码块的时候,能够保证在同一时刻最多只有一个线程执行该段代码. 一.当两个并 ...
- pythonnamedtuple定义类型_详解Python中namedtuple的使用
namedtuple是Python中存储数据类型,比较常见的数据类型还有有list和tuple数据类型.相比于list,tuple中的元素不可修改,在映射中可以当键使用. namedtuple: na ...
最新文章
- 【linux】用过的shell命令
- 腾讯云TStack,带着“数据中心”游云南
- mysql5.6 临时表_MySQL5.6 运用临时表做SQL优化
- MT-Retina.js
- String类型转换的三种方法分析
- MATLAB和C语言的区别
- setw()使用方法
- 有没有谁做过完整的ptf上传下载
- 大数据——DBT:数据治理、血缘关系DBT的安装及测试(基础使用篇)
- Elasticsearch Nested类型
- 香港站群多段服务器VPS大带宽服务器日本站群多段服务器
- 推荐一份质量不错的Python书单
- Java实现碧蓝航线连续作战
- python计算时间差的方法_如何计算时间差,用Python算法的话
- python之遍历技巧
- XStream分析(2)
- RemObjects(一)客户端远程调用服务端接口过程
- 初读《编程之美》就想秀一下,结果还翻车了
- iOS逆向之某多多App抓包
- jmeter设置参数的方法(随机,读csv等)
热门文章
- zookeeper 漫画
- linux网络配置遇到问题,Linux网络问题:Network is unreachable
- windows server 2008R2/2012R2安装
- 数据分析岗前景分析-拉勾网爬虫
- 汽车共享领域的春天还有多远?
- php 美化json,[PHP]JSON数据美化
- 防止代码被反编译的秘诀:9款强力保护工具任你选择
- 不能将iMovie 剪辑安装在“未命名”上,因为需要macOS v10.15.6或更高版本。
- 每天一道大厂SQL题【Day06】电商购买金额统计实战
- Android手机管理平台搭建:STF和atxserver2