【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() + '个')
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))

 

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