In Scikit-Learn unterstützt die Funktion cross_val_score eine Vielzahl verschiedener Bewertungskriterien (Bewertungsparameter). Hier sind einige gängige Bewertungskriterien und ihre Anwendungsszenarien:
Referenz:
https://blog.csdn.net/worther/article/details/126909270
-
Einstufungsfrage:
-
accuracy: 准确率 roc_auc, roc_auc_ovo, roc_auc_ovr: ROC曲线下面积 average_precision: 平均精度 f1, f1_macro, f1_micro, f1_weighted: F1分数 precision, precision_macro, precision_micro, precision_weighted: 精度 recall, recall_macro, recall_micro, recall_weighted: 召回率 balanced_accuracy: 平衡准确率
-
Regressionsproblem:
-
neg_mean_squared_error: 均方误差(负值) neg_mean_absolute_error: 平均绝对误差(负值) neg_root_mean_squared_error: 均方根误差(负值) neg_median_absolute_error: 中位绝对误差(负值) r2: 决定系数(R²) explained_variance: 解释方差 max_error: 最大误差
-
Clustering-Problem:
-
adjusted_rand_score: 调整后的Rand指数 homogeneity_score: 同质性得分 completeness_score: 完整性得分 v_measure_score: V-measure得分 adjusted_mutual_info_score: 调整后的互信息得分 normalized_mutual_info_score: 标准化互信息得分
Jeder dieser Bewertungsstandards hat seine eigenen anwendbaren Szenarien und Merkmale. Welche Bewertungskriterien Sie wählen, hängt von Ihrer spezifischen Aufgabe und Ihren Modellbewertungsanforderungen ab. Wenn Sie beispielsweise in einer Regressionsaufgabe Wert auf die Größe des Vorhersagefehlers legen, können Sie „neg_mean_squared_error“ oder „neg_mean_absolute_error“ wählen. Wenn Ihnen der Anteil der durch das Modell erklärten Varianz am Herzen liegt, können Sie „r2“ wählen.
Ein Wort pro Text
Komm schon