Sklearn.metrics评估方法介绍

Bazingaea

于 2019-05-10 11:17:09 发布

阅读量5.7k

点赞数 3

分类专栏： machine learning 文章标签： sklearn metric

本文链接：https://blog.youkuaiyun.com/Bazingaea/article/details/90054530

版权

本文介绍了Sklearn库中的评估指标，包括Classification_report提供的precision、recall、f1-score和support，accuracy_score、confusion_matrix、F1_score、fbeta_score以及ROC_AUC和PR AUC的概念和计算。文章强调了ROC曲线和AUC在衡量模型性能中的重要性，特别是对于样本不平衡问题的评估。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在介绍指标之前，先回顾一下很重要的四个概念，可以说指标总是围绕着这四个来计算的。

	真实 1	真实 0
预测 1	true positive	false positive
预测 0	false negative	true negative

记忆小技巧：true/false 后面的pos or neg与预测值有关，预测为1就是positive，为0就是negative，然后如果真实值和预测值一样，那就是true，不一样就是false。

Precision：	tp/tp+fp	在所有预测1中有多少预测是正确的	针对预测1
recall：	tp/tp+fn	在所有真实 1中有多少预测是正确的	针对真实值1
accuracy：	tp+tn/tp+tn+fp+fn	所有预测正确的	针对全部样本
F-score：	(1+P^ 2 ) * (precisionrecall)/P^2precision+recall