模型評估標準：
recall = TP/(TP+FN)

from sklearn.linear_model import LogisticRegression from sklearn.model_selection import KFold, cross_val_score from sklearn.metrics import confusion_matrix, recall_score, classification_reportdef printing_Kfold_scores(x_train_data,y_train_data):fold = KFold(len(y_train_data),5,shuffle=False)# 正則化懲罰，設置懲罰力度c_param_range = [0.01,0.1,1,10,100]results_table = pd.DataFrame(index = range(len(c_param_range),2),columns=['C_parameter','Mean recall score'])results_table['C_parameter'] = c_param_rangej = 0for c_param in c_param_range:print('==========')print('C parameter: ', c_param)print('==========')print(' ')recall_accs = []for iteration, indices in enumerate(fold,start=1):# 有C參數的邏輯回歸lr = LogisticRegression(C = c_param, penalty = '11')lr.fit(x_train_data.iloc[indices[0],:],y_train_data.iolc[indices[1],:].values.ravel())y_pred_undersample = lr.predict(x_train_data.iloc[indices[1],:].values)recall_acc = recall_score(y_train_data.iolc[indices[1],:].values,y_pred_undersample)recall_accs.append(recall_acc)print('Iteration', iteration, ': recall score = ', recall_acc)results_table.ix[j,'Mean recall score'] = np.mean(recall_accs)j += 1print('')print("Mean recall score ", np.mean(recall_accs))print()

混淆矩陣：
針對于下采樣的情況使用的

二分類問題的混淆矩陣，默認情況下，行（左邊的兩行0和1）代表真實值，列（上邊的兩列0和1）代表預測值，且先是0后是1。**0用N（Negative）表示，1用P（positive）表示。**多分類問題依次類推。

TN表示真實值和預測值均為0，FP表示預測值為1而真實值為0，FN表示預測值為0而真實值為1，TP表示預測值和真實值均為1
***

邏輯回歸模型

---

總結

以上是生活随笔為你收集整理的机器学习实战之信用卡诈骗（二）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。