sklearn工具-学习笔记3

最新推荐文章于 2025-04-15 00:20:04 发布

weixin_46087050

最新推荐文章于 2025-04-15 00:20:04 发布

阅读量892

点赞数 2

本文链接：https://blog.youkuaiyun.com/weixin_46087050/article/details/107798156

版权

本文介绍了sklearn库中的性能度量函数，包括适用于二元分类、多类多标签分类的问题，如Matthews相关系数、精度-召回率曲线、ROC曲线、平均精度、AUC值、混淆矩阵等。并探讨了如何将二元分类指标拓展到多类多标签问题，以及平均方式的选择，如'macro'、'weighted'、'micro'等对precision、recall、F-measure的影响。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

使用sklearn.metric包中的性能度量函数：
分类器性能指标：
1、只限于二元单标签分类问题评估指标
Matthews_corrcoef(y_true,y_pred[,…])：计算二元分类分类中的Matthews相关系数(MCC)
Precision_recall_curve(y_true,probas_pred)：在不同概率阈值下计算precision和recall点对值，形成精度召回率曲线
Roc_curv(y_ture,y_score[,pos_label,…])：计算roc曲线
1、可用于二元多标签分类问题评估指标
Average_precision_score(y_true,y_score[,…])：计算预测得分的平均精度
Roc_auc_score(y_true,y_score[,average,…])：计算预测得分的AUC值
2、可用于多元分类问题的评估指标
Confusion_matrix(y_true,y_pred[,labels,…])：混淆矩阵
Hinge_loss()：无正则化的平均hinge损失
Accuracy_score()：准确率得分
Classification_report(y_true,y_pred[…])：显示主要分类指标的文本报告
F1_score()：f1得分
Fbeta_score()：fbeta得分
Hamming_loss()：平均hamming损失
Jaccard_similarity_score()：杰卡德指数（相似性系数）
Log_loss()：对数损失/logistic损失/cross_entrpy损失
Zero_one_loss()：0-1损失
Precision_recall_

最低0.47元/天解锁文章