文章目錄

• 一、分類評(píng)價(jià)指標(biāo)
• • 1.精確率(Precision)
  • 2.召回率(Recall)
  • 3.準(zhǔn)確率(Accuracy)
  • 4.F1_score
• 二、回歸評(píng)價(jià)指標(biāo)
• • 1.平方根誤差(RMSE)
  • 2.均方誤差(MSE)
  • 3.平均絕對(duì)誤差(MAE)
  • 4.R方值(R2_score)

---

這里先引入模型評(píng)價(jià)相關(guān)的概念以及相應(yīng)的公式，讓大家一個(gè)大概的理解，知道有這么一回事，在后續(xù)文章中我將結(jié)合具體實(shí)例進(jìn)行詳細(xì)的講解。

一、分類評(píng)價(jià)指標(biāo)

混淆矩陣

真實(shí)\預(yù)測(cè)正例反例

正例	TP(真正例)	FN(假反例)
反例	FP(假正例)	TN(真反例)

• TP: 將正例預(yù)測(cè)為正例（預(yù)測(cè)正確）

• FN: 將正例預(yù)測(cè)為負(fù)例（預(yù)測(cè)錯(cuò)誤）

• FP: 將負(fù)例預(yù)測(cè)為正例（預(yù)測(cè)錯(cuò)誤）

• TN: 將負(fù)例預(yù)測(cè)為負(fù)例（預(yù)測(cè)正確）

1.精確率(Precision)

定義： 精確率(Precision)，是被判定為正例（反例）的樣本中，真正的正例樣本（反例樣本）的比例。舉個(gè)例子，一個(gè)盒子里有20個(gè)小球，10個(gè)白的10個(gè)黑的，現(xiàn)在要找到盒子中的黑球，拿出了8個(gè)球其中2個(gè)黑6個(gè)白的，那么查找精確率為2/6=0.3333。

公式（分類任務(wù)）：

代碼：

from sklearn.metrics import precision_scorey_true = [3, 1, 2, 0, 1, 0] y_pred = [1, 0, 1, 0, 0, 1]precision_score(y_true, y_pred)

2.召回率(Recall)

定義：召回率(Recall)，是被正確分類的正例（反例）樣本，占所有正例（反例）樣本的比例。舉個(gè)例子，一個(gè)盒子里有20個(gè)小球，10個(gè)白的10個(gè)黑的，現(xiàn)在要找到盒子中的黑球，拿出了8個(gè)球其中2個(gè)黑6個(gè)白的，那么查找召回率為2/10=0.2。

公式（分類任務(wù)）：

代碼：

from sklearn.metrics import recall_scorey_true = [3, 1, 2, 0, 1, 0] y_pred = [1, 0, 1, 0, 0, 1]recall_score(y_true, y_pred)

3.準(zhǔn)確率(Accuracy)

定義： 指的是分類正確的樣本數(shù)量占樣本總數(shù)的比例。

公式：

代碼：

import numpy as np from sklearn.metrics import accuracy_scorey_true = [3, 1, 2, 0, 1, 0] y_pred = [1, 0, 1, 0, 0, 1]accuracy_score(y_true, y_pred)

注：邏輯回歸LogisticRegression.score()與K-鄰近算法KNeighborsClassifier.score()中使用的就是該評(píng)價(jià)方法。

4.F1_score

定義： 精確率和召回率的調(diào)和平均值。

公式：

代碼：

from sklearn.metrics import f1_scorey_true = [3, 1, 2, 0, 1, 0] y_pred = [1, 0, 1, 0, 0, 1]f1_score(y_true, y_pred)

二、回歸評(píng)價(jià)指標(biāo)

1.平方根誤差(RMSE)

平方根誤差(RMSE)，其又被稱為RMSD（root mean square deviation），是回歸模型中最常用的評(píng)價(jià)指標(biāo)。

公式：

$$RMSE=\sqrt{MSE}=\sqrt{\frac{1}{m}\sum _{i=1}^m{\left(y_i?{\hat{y}}_i\right)}^2}$$

• $y_i$是第i個(gè)樣本的真實(shí)值
• $\hat{y}$是第i個(gè)樣本的預(yù)測(cè)值
• m是樣本的個(gè)數(shù)

代碼：

from sklearn.metrics import mean_squared_errory_true = [1,2,4] y_pred = [1,3,5]RMSE = mean_squared_error(y_true,y_pred)**0.5

2.均方誤差(MSE)

公式：

$$MSE=\frac{1}{m}\sum _{i=1}^m{\left(y_i?{\hat{y}}_i\right)}^2$$

• $y_i$是第i個(gè)樣本的真實(shí)值
• $\hat{y}$是第i個(gè)樣本的預(yù)測(cè)值
• m是樣本的個(gè)數(shù)

代碼：

from sklearn.metrics import mean_squared_errory_true = [1,2,4] y_pred = [1,3,5]MSE = mean_squared_error(y_true,y_pred)

3.平均絕對(duì)誤差(MAE)

公式：

$$MAE=\frac{1}{m}\sum _{i=1}^m|y_i?{\hat{y}}_i|$$

• $y_i$是第i個(gè)樣本的真實(shí)值
• $\hat{y}$是第i個(gè)樣本的預(yù)測(cè)值
• m是樣本的個(gè)數(shù)

代碼：

from sklearn.metrics import mean_absolute_errory_true = [1,2,4] y_pred = [1,3,5]MAE = mean_absolute_error(y_true,y_pred)

4.R方值(R2_score)

公式：

$$R^2=1?\frac{{\sum }_{i=1}^m(y_i?{\hat{y}}_i{)}^2}{{\sum }_{i=1}^m(y_i?{\bar{y}}_i{)}^2}$$

• $y_i$是第i個(gè)樣本的真實(shí)值
• $\hat{y}$是第i個(gè)樣本的預(yù)測(cè)值
• m是樣本的個(gè)數(shù)

代碼：

from sklearn.metrics import r2_scorey_true = [1,2,4] y_pred = [1,3,5]R2 = r2_score(y_true,y_pred)

注：線性回歸LinearRegression.score()中使用的就是該評(píng)價(jià)方法

總結(jié)

以上是生活随笔為你收集整理的机器学习第10天：模型评价方法及代码实现的全部?jī)?nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。