本文详细介绍了机器学习中分类模型的评估，包括精确率、召回率的概念，混淆矩阵的构成，以及AUC和ROC曲线的运用。同时讲解了AUC的计算方法，以及f1_score如何衡量精确率和召回率的综合表现，并讨论了在处理多分类问题时的不同平均策略。
1.关于分类模型的评估
| precision_score | 精确率 |
|---|---|
| recall_score | 召回率 |
| f1_score | F1值 |
| confusion_matrix | 混淆矩阵 |
| roc_auc_score | roc曲线下的面积 |
| auc | roc曲线下的面积 |
A.精确率和召回率
可以看我的一篇转载里面有详细的介绍，我简单的说一下
假设二分类问题，有0，1两种结果
精确率就是：你说是1结果也是1的概率，所以它又叫查准率
召回率就是：已知是一你判断为一的概率，又叫敏感率
两种都是以正例为准
B.混淆矩阵
confusion_matrix(y_true, y_pred, labels=None, sample_weight=None)
混淆矩阵是输入真实值和预测值
c_m=metrics.confusion_matrix(np.array([1,2,3,2,1]),np.array([3,3,3,3,3]))
print(c_m)
结果：
[[0 0 2]
[0 0 2]
[0 0 1]]
这是三分类问题
横
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
