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。

公式：

是第i个样本的真实值
是第i个样本的预测值
m是样本的个数

代码：

from sklearn.metrics import mean_squared_errory_true = [1,2,4]
y_pred = [1,3,5]RMSE = mean_squared_error(y_true,y_pred)**0.5

2.均方误差(MSE)

公式：

是第i个样本的真实值
是第i个样本的预测值
m是样本的个数

代码：

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)

公式：

是第i个样本的真实值
是第i个样本的预测值
m是样本的个数

代码：

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)

公式：

是第i个样本的真实值
是第i个样本的预测值
m是样本的个数

代码：

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 ...

模型评价方法及代码实现

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)

模型评价方法及代码实现相关推荐

最新文章

热门文章