zoukankan      html  css  js  c++  java
  • 【机器学习算法应用与学习_3_代码API篇】3.9模型性能评估

    1. 分类模型评估

    sklearn有三种方式评估一个模型的预测质量,

    1)各模型模块都有一个score方法;

    2)cross-validation模块有评估工具;

    3)metrics模块有一些评估函数。

    这里提供metrics模块API,其他参见参考资料。

    #对测试集进行预测
    y_predict = clf.predict(X_test)
    
    #----输出分类错误数和准确度
    print('错误分类的样本数: %d' % ( y_test!= y_predict).sum() + '')
    from sklearn.metrics import accuracy_score
    print('准确度: %.2f' % accuracy_score(y_test, y_predict))
    print()
    
    #----输出分类结果混淆矩阵
    def my_confusion_matrix(y_true, y_pred):
        from sklearn.metrics import confusion_matrix
        labels = list(set(y_true))
        conf_mat = confusion_matrix(y_true, y_pred, labels = labels)
        print("confusion_matrix(left labels: y_true, up labels: y_pred)")
        print("labels",'	',end='')
        for i in range(len(labels)):
            print(labels[i],'	',end='')
        print()
        for i in range(len(conf_mat)):
            print(i,'	',end='')
            for j in range(len(conf_mat[i])):
                print(conf_mat[i][j],'	',end='')
            print()
        
    my_confusion_matrix(y_test,y_predict)
    print()
    
    #----输出分类报告
    from sklearn.metrics import classification_report
    print("classification_report(left: labels):")
    print(classification_report(y_test, y_predict))
    View Code

     

    参考资料:

    机器学习常用性能指标及sklearn中的模型评估

    https://blog.csdn.net/sinat_36972314/article/details/82734370

    Without summary,you can't master it.
  • 相关阅读:
    (转)轻松应对IDC机房带宽突然暴涨问题
    (转)老男孩:Linux企业运维人员最常用150个命令汇总
    (转)cut命令详解
    (转)Awk使用案例总结(运维必会)
    (转)Nmap命令的29个实用范例
    BigPipe学习研究
    js正则大扫除
    ffff表单提交的那点事
    高并发订单操作处理方法
    订单号的处理
  • 原文地址:https://www.cnblogs.com/everda/p/11346250.html
Copyright © 2011-2022 走看看