【074】算法评估库 sklearn.metrics

内容目录

一、sklearn.metrics 简介二、sklearn.metrics 常用库三、详解评估库

一、Sklearn.metrics 简介

  无论利用机器学习算法进行回归、分类或者聚类时，评价指标，即检验机器学习模型效果的定量指标，都是一个不可避免且十分重要的问题。因此，结合scikit-learn主页上的介绍，以及网上大神整理的一些资料，对常用的评价指标及其实现、应用进行简单介绍。 原文见公众号：python宝 

官网介绍：https://scikit-learn.org/stable/modules/classes.html#sklearn-metrics-metrics

二、sklearn.metrics 常用库

from sklearn.metrics import 评价指标函数名称

1、分类指标  

【分类指标】
from sklearn.metrics import roc_curve,roc_auc_score,auc,accuracy_score
from sklearn.metrics import f1_score,classification_report
from sklearn.metrics import confusion_matrix
from sklearn.metrics import precision_score,recall_score，average_precision_score
from sklearn.metrics import log_loss
 
 
1.accuracy_score(y_true,y_pre) 
#精度 
 
2.auc(x, y, reorder=False) 
#ROC曲线下的面积;较大的AUC代表了较好的performance。
 
3.average_precision_score(y_true, y_score, average='macro', sample_weight=None)
#根据预测得分计算平均精度(AP)
 
4.brier_score_loss(y_true, y_prob, sample_weight=None, pos_label=None)
# The smaller the Brier score, the better.
 
5.confusion_matrix(y_true, y_pred, labels=None, sample_weight=None)
#通过计算混淆矩阵来