分類結果的評估方法

模型評估可以用在模型型別、調節引數及特徵組合中。通過模型評估來估計訓練得到的模型對於非樣本資料的泛化能力，並且還需要恰當的模型評估度量手段來衡量模型的效能表現。

通常在回歸問題可以採用平均絕對誤差（mean absolute error）、均方誤差（mean squared error）、均方根誤差（root mean squared error），而分類問題則採用分類準確率和混淆矩陣的方法，也就是今天要講述的方法。

分類準確率分數是指所有分類正確的百分比。sklearn庫中有直接呼叫它的方法

sklearn.metrics.accuracy_score(y_true, y_pred, normalize=true, sample_weight=none)

引數含義y_ture

真實標籤值

y_pred

**標籤值

normalize

返回結果的形式，false返回正確分類的樣本數，true返回正確分類樣本的分數

sample_weight

樣本權重

分類準確率可能是乙個較好的結果評估方法，但卻不是乙個好的模型度量方法，不能通過它觀察任何有關測試資料的潛在分布。

換句話說，該訓練的模型可能會在比例較高的那項類別的**中**正確，而在另外一種類別的**中**失敗，而我們沒法從分類準確率這項指標中發現這個問題。

那麼就得通過混淆矩陣來解決這個問題。

混淆矩陣可以理解為就是一張**，話不多說，先把**放上。（positive代表1，negative代表0，即一般的二分類問題）

positive

negative

positive

tpfp

negative

fntn

準確率

(accuracy):

評價分類器效能的一般性指標就是分類的準確率，它統計的是在給定的測試集上，分類器正確分類的樣本數與總測試樣本數之比：

精確率(precision):

精確率在資料探勘中也可以稱為置信度，它關注的是在給定的測試資料集上，被正確**為正類的樣本數佔總

的被**為

正類樣本數的比例： 

召回率 (recall)

: 召回率，又可以稱為查全率，它關注的是在給定的測試資料集上，被正確**為正類的樣本數佔

測試資料中

正類樣本數的比例：

f1分數(f1 score

或f1 measure)

: f1

分數是精確率和召回率的調和均值:

同樣的，sklearn也提供了相應的工具以便直接使用：

準確率：sklearn.metrics.accuracy_score(y_test, y_pred)

精確率：sklearn.metrics.precision_score(y_test, y_pred)

召回率：sklearn.metrics.recall_score(y_test, y_pred)

f1分數：sklearn.metrics.f1_score(y_test, y_pred)

除此之外，還有另外兩個指標roc曲線和auc值，感興趣的同學可參考roc曲線和auc面積理解和roc曲線與auc值

分類評估方法

1.1.1 混淆矩陣 在分類任務下，結果 predicted condition 與正確標記 true condition 之間存在四種不同的組合，構成混淆矩陣 適用於多分類 1.1.2 精確率 precision 與召回率 recall 還有其他的評估標準，f1 score，反映了模型的穩健型 r...

分類演算法的評估方法

幾個常用術語1 true positives tp 被正確地劃分為正例的個數，即實際為正例且被分類器劃分為正例的例項數 2 false positives fp 被錯誤地劃分為正例的個數，即實際為負例但被分類器劃分為正例的例項數 3 false negatives fn 被錯誤地劃分為負例的個數，即...

分類模型的評估方法簡介

一 混淆矩陣 混淆矩陣 confusion matrix 於資訊理論，在機器學習 人工智慧領域，混淆矩陣 confusion matrix 又稱為可能性 或是錯誤矩陣，是一種用矩陣呈現的視覺化工具，用於有監督學習，無監督學習通常用匹配矩陣 matching matrix 其名字源自它容易表明多個類是...