一、回歸模型評估：
1、mse（均方誤差）
sklearn.metrics.mean_squared_error(y_test,y_predict)
二、分類模型評估：
1、accuracy_score分類準確率分數
**正確的樣本數目佔總體的比例
**正確的樣本數目=正例**正確的+負例**正確的樣本數
注：如果乙個樣本中的負例佔大多數，而結果都**為負例，這個指標一樣很好，無法判斷是蒙對的還是**對的
sklearn.metrics.accuracy_score(y_test,y_predict)
2、recall_score召回率
sklearn.metrics.recall_score(y_test,y_predict)
3、roc_curve召回率
4、auc
5、roc_auc_score
6、confusion_matrix混淆矩陣
模型評估方法
有些自己熱愛卻因為被迫無奈而放棄的東西，慢慢記錄吧。以後想起，我還會知道自己學過這些。機器學習 周志華著的這本書是乙個很好的學習資料，其實我更喜歡這本書的樣子，漂亮而且有種童話故事的感覺。一 經驗誤差與過擬合 1.無論什麼時候，我們都希望得到乙個泛化誤差 在新樣本上的誤差 小的學習器。但有時候會出現...
模型評估的基本方法
所有模型都是壞的，但有些模型是有用的 我們建立模型之後，接下來就要去評估模型，確定這個模型是否 有用 當你費盡全力去建立完模型後，你會發現僅僅就是一些單個的數值或單個的曲線去告訴你你的模型到底是否能夠派上用場。在實際情況中，我們會用不同的度量去評估我們的模型，而度量的選擇，完全取決於模型的型別和模型...
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...