zoukankan      html  css  js  c++  java
  • 数据挖掘实践(16):基础理论(十六)数据挖掘基础(三)特征工程(二)性能度量与评估方法

    1 混淆矩阵

     

     

    2 实例

    3 代码实验

    from sklearn.metrics import accuracy_score # 准确率
    
    y_pred = [0, 2, 1, 3]
    y_true = [0, 1, 2, 3]
    print(accuracy_score(y_true, y_pred))  
    0.5
    复制代码
    from sklearn.metrics import precision_score # 精确率
    
    y_true = [0, 1, 2, 0, 1, 2]
    y_pred = [0, 2, 1, 0, 0, 1]
    
    #宏平均(Macro-averaging),是先对每一个类统计指标值,然后在对所有类求算术平均值。
    #微平均(Micro-averaging),是对数据集中的每一个实例不分类别进行统计建立全局混淆矩阵,然后计算相应指标。
    
    print(precision_score(y_true, y_pred, average='macro'))  
    print(precision_score(y_true, y_pred, average='micro'))  
    复制代码
    0.2222222222222222
    0.3333333333333333
    from sklearn.metrics import recall_score # 召回率
    
    y_true = [0, 1, 2, 0, 1, 2]
    y_pred = [0, 2, 1, 0, 0, 1]
    print(recall_score(y_true, y_pred, average='macro'))  # 0.3333333333333333
    print(recall_score(y_true, y_pred, average='micro'))  # 0.3333333333333333
    0.3333333333333333
    0.3333333333333333
    from sklearn.metrics import f1_score # 调和平均值
    
    y_true = [0, 1, 2, 0, 1, 2]
    y_pred = [0, 2, 1, 0, 0, 1]
    print(f1_score(y_true, y_pred, average='macro'))  
    print(f1_score(y_true, y_pred, average='micro'))  
    0.26666666666666666
    0.3333333333333333

    4 实例小结

    5 扩展点

     6 特征工程总结

     

     7 相关问题解答

     

  • 相关阅读:
    MongoDB +JSON+JQuery.Pagination+Linq 实现无刷新分页
    DBHelper
    C# .Net动态调用webService
    .net 将图片文件转换成流输出到浏览器
    将mongodb作为服务
    .net 最简单文件上传支持跨服务器
    Windows Phone 7
    javascript中对Date类型的常用操作
    DataTable 转换JSON
    C# 实现 MemCache 监控管理工具
  • 原文地址:https://www.cnblogs.com/qiu-hua/p/14322773.html
Copyright © 2011-2022 走看看