详解分类评价指标和回归评价指标以及Python代码实现

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了详解分类评价指标和回归评价指标以及Python代码实现，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含4336字，纯文字阅读大概需要7分钟。

内容图文

这篇文章介绍的内容是详解分类评价指标和回归评价指标以及Python代码实现，有着一定的参考价值，现在分享给大家，有需要的朋友可以参考一下。

1、概念

性能度量（评价）指标，主分为两大类：
1）分类评价指标（classification），主要分析，离散的，整数的。其具体指标包括accuracy(准确率)，precision(精确率)，recall(召回率)，F值，P-R曲线，ROC曲线和AUC。
2）回归评价指标（regression），主要分析整数和实数之间的关系。其具体指标包括可释方差得分(explianed_variance_score)，平均绝对误差MAE(mean_absolute_error)，均方误差MSE(mean-squared_error)，均方根差RMSE，交叉熵lloss(Log loss，cross-entropy loss)，R方值(确定系数，r2_score)。

1.1、前提

假设只有两类-正类（positive）和负类（negative），通常以关注的类为正类，其他类为负类（故多类问题亦可归纳为两类）
混淆矩阵（Confusion matrix）如下

表中AB模式：第一个表示预测结果的对错，第二个表示预测的类别。如TP表示，True Positive，即正确的预测为正类；FN表示，False Negative，即错误的预测为了负类。

2、评价指标（性能度量）

2.1、分类评价指标

2.1.1 值指标-Accuracy、Precision、Recall、F值

1.precision也常称为查准率，recall称为查全率
2.比较常用的是F1，

python3.6代码实现：

#调用sklearn库中的指标求解from sklearn import metricsfrom sklearn.metrics import precision_recall_curvefrom sklearn.metrics import average_precision_scorefrom sklearn.metrics import accuracy_score#给出分类结果y_pred = [0, 1, 0, 0]
y_true = [0, 1, 1, 1]
print("accuracy_score:", accuracy_score(y_true, y_pred))
print("precision_score:", metrics.precision_score(y_true, y_pred))
print("recall_score:", metrics.recall_score(y_true, y_pred))
print("f1_score:", metrics.f1_score(y_true, y_pred))
print("f0.5_score:", metrics.fbeta_score(y_true, y_pred, beta=0.5))
print("f2_score:", metrics.fbeta_score(y_true, y_pred, beta=2.0))

2.1.2 相关曲线-P-R曲线、ROC曲线及AUC值

1）P-R曲线
步骤：
1、从高到低将”score”值排序并依次作为阈值threshold；
2、对于每个阈值，”score”值大于或等于这个threshold的测试样本被认为正例，其他为负例。从而形成一组预测数。
eg.

将0.9作为阈值，则第1个测试样本为正例，2、3、4、5为负例
得到

在阈值以下的部分，当作负例，则预测为负例的取值情况是正确预测值，即如果本身是正例，则取TP；如果本身是负例，则取TN，其都为预测分值。
python实现伪代码

#precision和recall的求法如上
#主要介绍一下python画图的库
import matplotlib.pyplot ad plt
#主要用于矩阵运算的库
import numpy as np#导入iris数据及训练见前一博文
...
#加入800个噪声特征，增加图像的复杂度
#将150*800的噪声特征矩阵与150*4的鸢尾花数据集列合并
X = np.c_[X, np.random.RandomState(0).randn(n_samples, 200*n_features)]
#计算precision，recall得到数组
for i in range(n_classes):
    #计算三类鸢尾花的评价指标， _作为临时的名称使用
    precision[i], recall[i], _ = precision_recall_curve(y_test[:, i], y_score[:,i])#plot作图plt.clf()
for i in range(n_classes):
    plt.plot(recall[i], precision[i])
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel("Recall")
plt.ylabel("Precision")
plt.show()

将上述代码补充完整后得到鸢尾花数据集的P-R曲线

2）ROC曲线
横轴：假正例率 fp rate = FP / N
纵轴：真正例率 tp rate = TP / N
步骤：
1、从高到低将”score”值排序并依次作为阈值threshold；
2、对于每个阈值，”score”值大于或等于这个threshold的测试样本被认为正例，其他为负例。从而形成一组预测数。

同P-R曲线计算类似，不再赘述
鸢尾花数据集的ROC图像为

AUC（Area Under Curve）定义为ROC曲线下的面积
AUC值提供了分类器的一个整体数值。通常AUC越大，分类器更好，取值为[0, 1]

2.2、回归评价指标

1）可释方差得分

2）平均绝对误差 MAE （Mean absolute error）

3）均方差 MSE （Mean squared error）


4）logistics回归损失

5）一致性评价 - pearson相关系数法

python代码实现

from sklearn.metrics import log_loss
log_loss(y_true, y_pred)from scipy.stats import pearsonr
pearsonr(rater1, rater2)from sklearn.metrics import cohen_kappa_score
cohen_kappa_score(rater1, rater2)

以上就是详解分类评价指标和回归评价指标以及Python代码实现的详细内容，更多请关注Gxl网其它相关文章！

内容总结

以上是互联网集市为您收集整理的详解分类评价指标和回归评价指标以及Python代码实现全部内容，希望文章能够帮你解决详解分类评价指标和回归评价指标以及Python代码实现所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端