分类算法的效果评估
1，准确率accuracy_score
from sklearn.metrics import accuracy_score
2，精确率/查准率precision_score
from sklearn.metrics import precision_score
分为宏平均（macro）和微平均（micro），宏平均比微平均更合理。
metrics.precision_score(y_true, y_pred, average='micro')
metrics.precision_score(y_true, y_pred, average='macro')
其中average参数有五种：(None, ‘micro’, ‘macro’, ‘weighted’, ‘samples’)
3，召回率/查全率recall_score
from sklearn.metrics import recall_score
召回率也有宏平均和微平均的区别，和上面的用法一样。
4，F1-score
from sklearn.metrics import f1_score
metrics.f1_score(y_true, y_pred, average='weighted')
5，混淆矩阵（confusion-matrix）
from sklearn.metrics import confusion_matrix
6，分类报告（classification_report）
from sklearn.metrics import classification_report
包含precision/recall/f1-score/均值/分类个数
7，kappa score
from sklearn.metrics import cohen_kappa_score
cohen_kappa_score(y_true, y_pred)
8，ROC
1）计算ROC值
from sklearn.metrics import roc_auc_score
roc_auc_score(y_true, y_scores)
2）画ROC图
具体画ROC图的方法请参照官方给出的代码
http://scikit-learn.org/stable/auto_examples/model_selection/plot_roc.html
9，距离
1）海明距离（hamming_loss）
from sklearn.metrics import hamming_loss
hamming_loss(y_true, y_pred)
2）Jaccard距离（jaccard_similarity_score）
from sklearn.metrics import jaccard_similarity_score
jaccard_similarity_score(y_true, y_pred)
回归算法的评价指标
1，可释方差也叫解释方差（explained_variance_score）
from sklearn.metrics import explained_variance_score
explained_variance_score(y_true, y_pred)
2，平均绝对误差（mean_absolute_error）
from sklearn.metrics import mean_absolute_error
mean_absolute_error(y_true, y_pred)
3，均方误差（mean_squared_error）
from sklearn.metrics import mean_squared_error
mean_squared_error(y_true, y_pred)
4，中值绝对误差（median_absolute_error）
from sklearn.metrics import median_absolute_error
median_absolute_error(y_true, y_pred)
5，R方值，确定系数（r2_score）
from sklearn.metrics import r2_score
r2_score(y_true, y_pred)
作者：曦宝
链接：https://www.jianshu.com/p/c3cf5c6081ad
来源：简书
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。