sklearn模型评估
【摘要】 常用的分类评估指标包括：
accuracy_score,
f1_score,
precision_score,
recall_score等等。
常用的回归评估指标包括：
r2_score,
explained_variance_score等等。 常用的聚类评估指标包括：
-adjusted_rand_score,
adjusted_mu...
常用的分类评估指标包括：
- accuracy_score,
- f1_score,
- precision_score,
- recall_score等等。
常用的回归评估指标包括：
- r2_score,
- explained_variance_score等等。
常用的聚类评估指标包括：
-adjusted_rand_score,
- adjusted_mutual_info_score等等
分类模型的评估
模型分类效果全部信息：
-
confusion_matri混淆矩阵,误差矩阵。 -
TP:True Positive真正例FP:False Positive假正例 -
FN:False Negative假反例TN:True Negative真反例
模型整体分类效果： -
accuracy正确率。通用分类评估指标。
模型对某种类别的分类效果：
precision精确率，也叫查准率。模型不把正样本标错的能力。“不冤枉一个好人”。recall召回率，也叫查全率。模型识别出全部正样本的能力。“也绝不放过一个坏人”。f1_scoreF1得分。精确率和召回率的调和平均值。
利用不同方式将类别分类效果进行求和平均得到整体分类效果：
macr
文章来源: maoli.blog.csdn.net，作者：刘润森！，版权归原作者所有，如需转载，请联系作者。
原文链接：maoli.blog.csdn.net/article/details/88934377
【版权声明】本文为华为云社区用户转载文章，如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱：
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
作者其他文章
评论（0）