机器学习模型评估

Jalen data analysis

于 2020-02-25 19:45:25 发布

阅读量1.4k

点赞数 2

分类专栏： python机器学习文章标签：模型评估机器学习 python

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/weixin_41685388/article/details/104503778

版权

本文详细介绍了机器学习模型的评估方法，包括混淆矩阵、准确率、精确率、召回率、F1-score的概念和计算，以及如何使用sklearn库中的classification_report和ROC曲线来分析模型性能。此外，文章还讨论了AUC值在评价二分类模型中的重要性，特别是在样本不平衡场景下的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

机器学习模型评估

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）
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-SAtkBo0c-1582630945068)(attachment:image.png)]

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

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-wCurtri4-1582630945072)(attachment:image.png)]

3、分类评估报告API

·sklearn.metrics.classification_report(y_true,y_pred,labels=[],target_names=

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。