一周算法实践day3: 模型评估

最新推荐文章于 2025-01-28 19:28:55 发布

原创

最新推荐文章于 2025-01-28 19:28:55 发布 · 666 阅读

4 ·

CC 4.0 BY-SA版权

本文记录了对逻辑回归、SVM、决策树等7个模型的评估，涉及accuracy、precision、recall、F1-score和AUC值。在理解中提到，AUC值越大表示分类器性能越好，ROC曲线通过置信度计算TPR和FPR。并提供了包含完整代码和注释的资源链接。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1 任务

记录7个模型（逻辑回归、SVM、决策树、随机森林、GBDT、XGBoost和LightGBM）关于accuracy、precision，recall和F1-score、auc值的评分表格，并画出ROC曲线。

2 遇到的问题

对ROC曲线和AUC值的解释
ROC曲线的线下面积,即auc值显然是越大,分类器性能越好. 同时注意,计算ROC曲线时,并不是使用分类结果,而是使用置信度.
画ROC曲线时,依次将所有样本的置信度作为阈值,然后得到TPR(True Positive Rate, True positive/Actual positive )和FPR(False Positive Rate, False positive / Actual negative), 然后作图.

3 不同模型的多种指标

模型	Accuracy	Precision	Recall	F1-Score	ROC_AUC
Logistic Regression	0.788	0.661	0.320	0.431	0.766
决策树	0.685	0.383	0.409	0.396	0.594
LinearSVC	0.782	0.652	0.287	0.398	0.766
随机森林	0.782	0.682	0.251	0.366	0.749
GBDT	0.781	0.612	0.446	0.446	0.764
XGBoost	0.784	0.624	0356	0.454	0.771
LightGBM	0.772	0.578	0.351	0.437	0.761

模型	ROC曲线
Logistic Regression
决策树
LinearSVC
随机森林
GBDT
XGBoost
LightGBM

4 完整代码和注释

# -*- coding: utf-8 -*- 
from __future__ import print_function
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# 引入要用到的评价函数
from sklearn.metrics import precision_score,roc_auc_score
from sklearn.metrics import accuracy_score
from sklearn.metrics import precision_score
from sklearn