scikit-learn-model-evaluation-metrics

Scikit-learn 模型评估指标指南与说明 Scikit-learn 提供了多种用于评估机器学习模型性能的指标，适用于分类、回归和聚类等任务。以下是常用评估指标的使用指南与说明： 1. 分类任务评估指标： - 准确率（Accuracy）：正确预测样本占总样本的比例。适用于类别平衡的数据集。 使用方式：`sklearn.metrics.accuracy_score(y_true, y_pred)` - 精确率（Precision）：预测为正类的样本中实际为正类的比例。关注减少假阳性。 使用方式：`sklearn.metrics.precision_score(y_true, y_pred)` - 召回率（Recall）：实际为正类的样本中被正确预测的比例。关注减少假阴性。 使用方式：`sklearn.metrics.recall_score(y_true, y_pred)` - F1 分数（F1-score）：精确率和召回率的调和平均值，适用于类别不平衡场景。 使用方式：`sklearn.metrics.f1_score(y_true, y_pred)` - ROC-AUC：ROC 曲线下的面积，衡量分类器在不同阈值下的整体性能。 使用方式：`sklearn.metrics.roc_auc_score(y_true, y_score)` - 混淆矩阵（Confusion Matrix）：展示分类结果的详细分布，包括真阳性、假阳性等。 使用方式：`sklearn.metrics.confusion_matrix(y_true, y_pred)` 2. 回归任务评估指标： - 均方误差（MSE）：预测值与真实值之差的平方的平均值，对异常值敏感。 使用方式：`sklearn.metrics.mean_squared_error(y_true, y_pred)` - 均方根误差（RMSE）：MSE 的平方根，与目标变量单位一致。 使用方式：`np.sqrt(mean_squared_error(y_true, y_pred))` - 平均绝对误差（MAE）：预测值与真实值之差的绝对值的平均值，对异常值鲁棒。 使用方式：`sklearn.metrics.mean_absolute_error(y_true, y_pred)` - R² 分数（决定系数）：表示模型解释目标变量方差的比例，取值范围为 (-∞, 1]，越接近 1 越好。 使用方式：`sklearn.metrics.r2_score(y_true, y_pred)` 3. 聚类任务评估指标（无监督学习）： - 轮廓系数（Silhouette Score）：衡量聚类结果的紧密度和分离度，取值范围为 [-1, 1]，值越大表示聚类效果越好。 使用方式：`sklearn.metrics.silhouette_score(X, labels)` - 调整兰德指数（Adjusted Rand Index）：比较聚类结果与真实标签的一致性，适用于有真实标签的情况。 使用方式：`sklearn.metrics.adjusted_rand_score(labels_true, labels_pred)` 使用建议： - 根据任务类型选择合适的评估指标。例如，分类任务中若类别不平衡，应优先考虑 F1 分数或 ROC-AUC。 - 在模型比较时，建议使用多个指标综合评估，避免单一指标的局限性。 - 使用交叉验证（如 `cross_val_score`）结合评估指标，以获得更稳健的性能估计。 示例代码片段： ```python from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score y_true = [0, 1, 1, 0, 1] y_pred = [0, 1, 0, 0, 1] acc = accuracy_score(y_true, y_pred) prec = precision_score(y_true, y_pred) rec = recall_score(y_true, y_pred) f1 = f1_score(y_true, y_pred) print(f"准确率: {acc:.2f}, 精确率: {prec:.2f}, 召回率: {rec:.2f}, F1: {f1:.2f}") ``` 通过合理选择和组合这些评估指标，可以更全面地了解模型性能，从而指导...

存档时间线

版本索引永久保留；内容副本只保留最新 1 份，更早版本仅留索引与哈希（存档时间线的证据链不会因此断裂）。

下载存档内容副本