7.1分類モデルの評価
1、二値
混同行列の対角要素は、正しく分類の数を表します。
非対角要素は、誤分類の数を表します。
だから、最も理想的なモデルは、(テストセットを見てみましょう)、対角行列でなければなりません。支配も可能である場合は、対角、および対角線上の数字の合計に得ることができない場合。
再現率を減少させることができる高精度の片側を追求
図2に示すように、マルチ分類
リコールパラメータの平均()値:
バイナリ表現二分法
マイクロ多価混同行列の最初の方法を示しています
マクロ非加重平均で表されます
加重加重平均を表し、
図3に示すように、図の分類結果と反応ROC 選択された閾値曲線
(1 )ROC 、AUC
選択基準:みましょうTPRを、できるだけ大きくFPR できるだけ小さいので、その変曲点を選択します
AUCを表すROCの曲線下の面積を直接反応させることができるROCの画像範囲の左上付近に曲線。
どのように行うのROC 曲線は?
= xy_lst [(X_train、Y_train)、(X_validation、Y_validation)、(X_test、android.permission.FACTOR。)] インポートPLT AS matplotlib.pyplot sklearn.metricsインポートroc_curve、AUC、roc_auc_scoreから F = plt.figure() の範囲内のiについて(LEN (xy_lst)): X_part xy_lst = [I] [0] [1] Y_part xy_lst = [I] y_pred = mdl.predict(X_part) #= mdl.predict_classes y_pred(X_part)と#()が連続的であるときに出力を予測します値は、使用predict_classes(出力)をカテゴリー標識されている 。#プリント(I) プリント(y_pred) 。RESHAPE((1、-1))[0]:y_pred = np.array([1] y_pred) sklearnから#インポートaccuracy_scoreの.metrics、recall_score、f1_scoreの #印刷(I '---:'、 'NURALネットワーク'、 '精度:'、accuracy_score(Y_part、y_pred )、 # '召回率:'、recall_score(Y_part、Y_pred)、 #'のF1スコア:'、f1_score(Y_part、y_pred )) f.add_subplot(1,3、I + 1) FPR、TPR、閾値= roc_curve(Y_part、Y_pred) plt.plot(FPR、TPR) plt.shaow() #这两个函数功能一样 プリント( 'NURALネットワーク' 'AUC'、AUC(FPR、TPR)) プリント( 'NURALネットワーク'、 'AUCスコア '、roc_auc_score(Y_part、Y_pred))''」 NURALネットワークAUC 0.9610879734019506 NURALネットワークAUCは0.9610879734019506スコア NURALネットワークAUCを0.961721658936862 NURALネットワークAUC 0.961721658936862スコア NURALネットワークAUC 0.9637020039792525 NURALネットワークAUCスコア0.9637020039792525 ''」
(2 )ゲインマップ及びKS 図。
これはKS図に関する、TPR曲線とFPRの曲線との間の隙間は、この隙間は、正判別クラスサンプルを反映しています。