Python之算法评估-4

　　一、评估算法的方式分两种，一种是分类算法的评估，一种是回归算法的评估。为什么要分两种呢，因为分类算法中可以通过准确率、精准率、召回率、混淆矩阵、AUC来评估算法的准确度。但是在预测值的时候是没有办法去获得这个准确值（比如分类对了，那就对了，错了就是错了，可以通过对错来统计准确率），那么回归算法的方式，就通过均方误差来确认算法的准确度。

　　二、分类算法的评估（以K-近邻算法来说）

    knn = KNeighborsClassifier(n_neighbors=5)

    knn.fit(x_train, y_train)

    y_predict = knn.predict(x_test)

    print("预测值：", y_predict)

    # 5、评估

    # 评估

    score = knn.score(x_test, y_test)

    print("准确率：", score)

　　说明：可以通过predict()函数来预测结果

　　　　 source()来出来预测准确率（理解为真实预测数据/所有数据）

　　其中还有其他的值的算法过程，和进准率差不多。　

　　数据：

       　　预测值 0  预测值 1

　　真实值 0   TN          FP

　　真实值 1   FN          TP

　　精准率（precision）：

    　　              TP

    　　precision = ——————

    　　            TP + FP

　　召回率（recall）：

  　　             TP

    　　recall = ———————

       　　      TP + FN

　　模型的稳定性：

      　　        2TP        2precision * recall

    　　F1 = ————————————— = ———————————————————

     　　    2TP + FN + FP    precision + recall

　　三、均方误差

from sklearn.metrics import mean_squared_error

def mean_squared_error(y_true, y_pred,

                       sample_weight=None,

                       multioutput='uniform_average'):

    ...

　　主要参数，y_true,y_pred：真实值，预测值

　　公式：

                   1  m      _

            MSE = ——— ∑(yi - y)^2

                   m i=1

                      _

            yi：预测值 y：真实值

            一定要标准化之前的值

　　四、统一说明：在分类算法中准确率只是其中的一项，以越接近100%，越准确。回归算法中以MSE（均方误差值越小，越准确）

巴特西

Python之算法评估-4

最新文章

热门文章