14.機器學習模型評估

機器學習模型評估

1、混淆矩陣

在分類任務下，預測結果（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）

2、準確率、精確率、召回率、F1-score

準確率：score = estimator.score(x_test, y_test) #比對預測值與真實值，判斷正確的概率

精確率 precision：預測結果爲正例樣本中真實爲正例的比例

召回率recall：真實爲正例的樣本中預測結果爲正例的比例（查得全，對正樣本的區分能力）

F1-score：反應模型的穩健性

3、分類評估報告API

·sklearn.metrics.classification_report(y_true,y_pred,labels=[],target_names=None）

。y_true：真實目標值
。y_pred：估計器預測目標值
。labels：指定類別對應的數字
。target_names：目標類別名稱
。return：每個類別籍確率與召回率

4、ROC曲線和AUC值

TPR = TP /(TP+FN) :所有真實類別爲1樣本中，預測類別爲1的比例

FPR = FP /(FP+TN) :所有真實類別爲0樣本中，預測類別爲1的比例

ROC曲線:

ROC曲線的橫軸就是FPRate，縱軸就是TPRate，當二者相等時，表示的意義則是：
對於不論真實類別是1還是0的樣本，分類器預測爲1的概率是相等的，此時AUC爲0.5

AUC:樣本不均勻的情況下衡量模型的好壞

·AUC的概率意義是隨機取一對正負樣本，正樣本得分大於負樣本的概率
·AUC的最小值爲0.5，最大值爲1，取值越高越好
·AUC=1，完美分類器，採用這個預別模型時，不管設定什麼閥值都能得出完美預測。絕大多數預測的場合，不存在完美分類器。
·0.5<AUC<1，優於隨機猜測，這個分類器（模型）妥善設定閥值的話，能有預測價值。

AUC只能用來評價二分類

AUC非常適合評價樣本不平衡中的分類器性能

5、AUC計算API

·from sklearn.metrics import roc_auc_score

。sklearn.metrics.roc_auc_score(y_true，y_score）y
    ·計算ROC曲線面積，即AUC值
    ·y_true：每個樣本的真實類別，必須爲0(反例），1（正例)標記
    ·y_score：每個樣本的預測值，通常y_score=y_predict = estimator.predict(x_test)

6、案例：

案例：https://blog.csdn.net/weixin_41685388/article/details/104498058