Sklearn学习之分类模型的评估

分类模型的评估。

一般方法：准确率

estimator.score()

特殊方法：混淆矩阵

在分类任务下，预测结果(Predicted Condition)与正确标记(True Condition)之间存在四种不同的组合，构成混淆矩阵(适用于多分类)

为什么要引入混淆矩阵呢？

是为了计算精确率(Precision)与召回率(Recall)，二者又有何区别？

精确率：预测结果为正例样本中真实为正例的比例（查得准）

•召回率：真实为正例的样本中预测结果为正例的比例（查的全，对正样本的区分能力）

其他分类标准：F1-score（反映了模型的稳健型）

分类模型评估API

sklearn.metrics.classification_report(y_true, y_pred, target_names=None)

• y_true：真实目标值

• y_pred：估计器预测目标值

• target_names：目标类别名称

• return：每个类别精确率与召回率

打赏