機器學習分類問題常用評判指標

1.分類問題

1.混淆矩陣

[ tp

fpfn

tn

]\begin tp&fp\\\\ fn&tn\\\\ \end

⎣⎢⎢⎡​t

pfn​

fptn

​⎦⎥⎥

⎤​真正率：tpr=tp/(tp+fn)

假正率：fpr=fp/(fp+tn)

假負率：fnr=fn/(fn+tp)

真負率：tnr=tn/(tn+fp)

from sklearn.metrics import confusion_matrix

更多應用於均衡樣本中

即正確**的例子（正與負）除以總數

accuracy=(tp+tn)/(tp+fp+fn+tn)

from sklearn.metrics import accuracy_score

針對正樣本**結果

precision=tp/(tp+fp)

4.召回率

在實際正樣本中**，又稱查全率

recall=tp/(tp+fn)

5.f1-score

召回率與精確率的調和

f 1=

2pre

cisi

onre

call

prec

isio

n+re

call

f_1=\frac

f1​=pr

ecis

ion+

reca

ll2p

reci

sion

reca

ll​6.roc曲線

橫座標為fpr，縱座標為tpr

roc曲線越接近左上角，**效果越好，同時roc較為光滑認為沒有過擬合現象

fpr,tpr,_=sklearn.metrics.roc_curve(y_test,y_pred)

應用於不均衡樣本

roc曲線下面的面積，越接近1.0，**效果越好

8.pr曲線

橫座標precision，縱座標recall

基於情況選擇指標，交叉時選擇平衡點f1決定

precision,recall,_=sklearn.metrics.precision_recall_curve(y_test,y_pred)

待補充。。。

機器學習之誤差評判

開始找乙個題目來練手，這是乙個關於二手車交易 的題目，首先看一下這個題目。該資料來自某交易平台的二手車交易記錄，總資料量超過40w，包含31列變數資訊，其中15列為匿名變數。從中抽取15萬條作為訓練集，5萬條作為測試集，同時會對name model brand和regioncode等資訊進行脫敏 資...

機器學習中分類問題

regression與線性回歸 linear regression 線性回歸 linear regression 損失函式 loss function 我們要找到最好的權重 引數 怎麼去衡量 最好 定義損失函式 最小化損失函式 梯度下降 gradient descend 逐步最小化損失函式的過程 如...

機器學習 分類器效能指標

1.錯誤率 e 錯誤分類個數 總樣本數 2.正確率 tp 分類正確正例 tn 分類正確負例 fp 分類錯誤正例 fn 分類錯誤負例 precision 分類正確的正類 結果中被分為正類的個數 tp tp fp 3.召回率 recall 分類正確的正類 所有正類的個數 tp tp fn 4.f1 sc...