模型评估方法metrics类、模型类常用属性

最新推荐文章于 2024-12-23 00:18:41 发布

原创最新推荐文章于 2024-12-23 00:18:41 发布 · 1.6k 阅读

1 ·

CC 4.0 BY-SA版权

建模专栏收录该内容

9 篇文章

订阅专栏

本文详细介绍了机器学习中常用的评估指标，包括AUC、ACC、Precision、Recall、F1 Score及混淆矩阵等，同时解释了如何利用决策树或随机森林计算特征重要性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1）AUC：metrics.roc_auc_score(y_true, y_score, average=’macro’, sample_weight=None, max_fpr=None))
y_true：测试集样本的真实类别标签；y_score：正样本的预测概率
2）ACC（准确率）：accuracy_score(y_true, y_pred, normalize=True, sample_weight=None)
y_true：测试集样本的真实类别标签；y_pred：样本的预测结果标签。normalize如果为True，返回预测正确的概率值；如果为False，返回预测正确的样本数。
3）precision（精确率）：precision_score(y_true, y_pred, labels=None, pos_label=1, average=’binary’, sample_weight=None)
4）recall（召回率）：
recall_score(y_true, y_pred, labels=None, pos_label=1, average=’binary’, sample_weight=None)
5）f1_score：F1 = 2 * (precision * recall) / (precision + recall)
f1_score(y_true, y_pred, labels=None, pos_label=1, average=’binary’, sample_weight=None)
扩展：f_score:
precision_recall_fscore_support(y_true, y_pred, beta=1.0, labels=None, pos_label=1, average=None, warn_for=(‘precision’, ’recall’, ’f-score’), sample_weight=None)
F = (beta^2+1) * (precision * recall) / (precision + recall)
6）混淆矩阵：
confusion_matrix(y_true, y_pred, labels=None, sample_weight=None)
7)使用决策树或者随机森林分类后计算的特征重要性：
model.feature_importance_。特征重要性的取值顺序是模型训练样本的特征顺序。