标签：iris 机器 res 性能 score print import 度量 sklearn

一个机器学习模型需要一些性能度量指标来判断它的好坏，了解各种评估的方法优点和缺点，在实际应用中选择正确的评估方法是十分重要的。

对于分类模型的各种性能度量的算法，如准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1值等，接下来我们将详细的说明这些行性能度量算法。

1.代码示例

from sklearn.metrics import precision_score
from sklearn.metrics import confusion_matrix
from sklearn.metrics import classification_report
y_true=[1,0,1,1,0] #样本实际值
y_pred=[1,0,1,0,0] #模型预测值
res=precision_score(y_true,y_pred,average=None) #准确率
#[0.66666667    1. ] 分别是正例和反例的预测准确率，2/3与2/2
print(res)
res=confusion_matrix(y_true,y_pred) # 混淆矩阵
print(res)
# [[2 0]
#  [1 2]]
res=classification_report(y_true,y_pred) #分类报告，获取更多详细的内容
print(res)

#k折交叉验证法
from sklearn.model_selection import cross_val_score
from sklearn.datasets import load_iris #导入鸢尾花数据集
from sklearn.svm import SVC
iris=load_iris()
clf=SVC(kernel='linear',C=1) #构建支持向量机模型
scores=cross_val_score(clf,iris.data,iris.target,cv=5)
print(scores)

2.参考文章

机器学习中的性能度量 - 知乎

【创作不易，望点赞收藏，若有疑问，请留言，谢谢】

标签：iris,机器,res,性能,score,print,import,度量,sklearn
来源： https://www.cnblogs.com/dongxuelove/p/16434211.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。