第八节 模型评估

二分类模型评估，多分类转换成二分类
# 最常用的是准确率，即预测结果正确的百分比
# 混淆矩阵：在分类任务下，预测结果与正确标记之间存在四种不同的组合，构成混淆矩阵（适用于多分类），真正例TP，伪正例FP，伪反例FN，真反例TN
# 混淆矩阵中的召回率：真实为正例的样本中预测结果为正例的比例（查的全，对正样本的区分能力，宁杀错不放过的思想）=TP/(TP+FN)
# 混淆矩阵中的精确率：预测结果为正例样本中真实为正例的比例TP/(TP+FP)，一般不考虑
# F1-score：反映模型的稳健性F1=2TP/(2TP+FN+FP)
from sklearn.metrics import classification_report  # 分类模型评估API

# y_true真实目标值，y_pred估计器预测目标值，target_names目标类别名称，返回每个类别精确率和召回率
cr = classification_report(y_true="", y_pred='', target_names='')

回归类模型的评估

　　

聚类模型评价

当模型评分很低或者决定系数很小的时候，需要对模型是否存在价值进行评估，让其与随机预测结果进行比较，当模型评分大于随机评分的1.25倍时认为模型是有价值的，最有价值的参数在于constant的设置