python机器学习分类模型评估
1、混淆矩阵
在分类任务下，预测结果（Predicted Condition）与正确标记(True Condition）之间存在四种不同的组合，构成混淆矩阵（适用于多分类）
2、准确率、精确率、召回率、F1-score
- 准确率：score = estimator.score(x_test, y_test) #比对预测值与真实值，判断正确的概率；
- 精确率 precision：预测结果为正例样本中真实为正例的比例；
- 召回率recall：真实为正例的样本中预测结果为正例的比例(查得全，对正样本的区分能力)；
- F1-score：反应模型的稳健性。F1分数（F1-score）是分类问题的一个衡量指标。一些多分类问题的机器学习竞赛，常常将F1-score作为最终测评的方法。它是精确率和召回率的调和平均数，最大为1，最小为0。F1分数认为召回率和精确率同等重要，F2分数认为召回率的重要程度是精确率的2倍。
3、分类评估报告API
from sklearn.metrics import classification_report
classification_report(y_true,y_pred,labels=[],target_names=None) #返回精确率、召回率、F1-score
- y_true：真实目标值
- y_pred：估计器预测目标值
- labels：指定类别对应的数字
- target_names：目标类别名称
4、ROC曲线和AUC值(二分类评估)
- TPR = TP /(TP+FN) :所有真实类别为1样本中，预测类别为1的比例
- FPR = FP /(FP+TN) :所有真实类别为0样本中，预测类别为1的比例
ROC曲线:
- ROC曲线的横轴就是FPRate，纵轴就是TPRate，当二者相等时，表示的意义则是：对于不论真实类别是1还是0的样本，分类器预测为1的概率是相等的，此时AUC为0.5
AUC:样本不均匀的情况下衡量模型的好坏
- AUC的概率意义是随机取一对正负样本，正样本得分大于负样本的概率
- AUC的最小值为0.5，最大值为1，取值越高越好
- AUC=1，完美分类器，采用这个预别模型时，不管设定什么阀值都能得出完美预测。绝大多数预测的场合，不存在完美分类器。
- 0.5<AUC<1，优于随机猜测，这个分类器（模型）妥善设定阀值的话，能有预测价值。
- AUC只能用来评价二分类
- AUC非常适合评价样本不平衡中的分类器性能
5、AUC计算API
- from sklearn.metrics import roc_auc_score
- sklearn.metrics.roc_auc_score(y_true，y_predict)
- 计算ROC曲线面积，即AUC值
- y_true：每个样本的真实类别,通常用y_test,必须为0(反例）,1（正例)标记
- y_predict：每个样本的预测值，通常y_predict = estimator.predict(x_test)
更多相关内容扫描下方二维码
扫
码
关
注
更多数据分析数据运营
干货在此，随时学习！
