文章目錄

• 一、分類評價指標
• • 1.精確率(Precision)
  • 2.召回率(Recall)
  • 3.準確率(Accuracy)
  • 4.F1_score
• 二、回歸評價指標
• • 1.平方根誤差(RMSE)
  • 2.均方誤差(MSE)
  • 3.平均絕對誤差(MAE)
  • 4.R方值(R2_score)

---

這里先引入模型評價相關的概念以及相應的公式，讓大家一個大概的理解，知道有這么一回事，在后續文章中我將結合具體實例進行詳細的講解。

一、分類評價指標

混淆矩陣

真實\預測正例反例

正例	TP(真正例)	FN(假反例)
反例	FP(假正例)	TN(真反例)

• TP: 將正例預測為正例（預測正確）

• FN: 將正例預測為負例（預測錯誤）

• FP: 將負例預測為正例（預測錯誤）

• TN: 將負例預測為負例（預測正確）

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。舉個例子，一個盒子里有20個小球，10個白的10個黑的，現在要找到盒子中的黑球，拿出了8個球其中2個黑6個白的，那么查找精確率為2/6=0.3333。

公式（分類任務）：

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。舉個例子，一個盒子里有20個小球，10個白的10個黑的，現在要找到盒子中的黑球，拿出了8個球其中2個黑6個白的，那么查找召回率為2/10=0.2。

公式（分類任務）：

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.準確率(Accuracy)

定義： 指的是分類正確的樣本數量占樣本總數的比例。

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()中使用的就是該評價方法。

4.F1_score

定義： 精確率和召回率的調和平均值。

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、回歸評價指標

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價指標。

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個樣本的真實值
• $\hat{y}$是第i個樣本的預測值
• m是樣本的個數

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個樣本的真實值
• $\hat{y}$是第i個樣本的預測值
• m是樣本的個數

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.平均絕對誤差(MAE)

公式：

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

• $y_i$是第i個樣本的真實值
• $\hat{y}$是第i個樣本的預測值
• m是樣本的個數

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個樣本的真實值
• $\hat{y}$是第i個樣本的預測值
• m是樣本的個數

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()中使用的就是該評價方法

總結

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。