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。