机器学习中常用评估指标汇总
评估指标 Evaluation metrics 可以说明模型的性能,辨别模型的结果。
我们建立一个模型后,计算指标,从指标获取反馈,再继续改进模型,直到达到理想的准确度。在预测之前检查模型的准确度至关重要,而不应该建立一个模型后,就直接将模型应用到看不见的数据上。
今天先来简单介绍几种回归和分类常用的评估方法。
回归:
均方误差:
其中 D 为数据分布,p 为概率密度函数。
from sklearn.metrics import mean_squared_error
y_true = [3, -0.5, 2, 7]
y_pred = [2.5, 0.0, 2, 8]
mean_squared_error(y_true, y_pred)
0.375
分类:
二分类 and 多分类:
错误率
精度
二分类
混淆矩阵:
from sklearn.metrics import confusion_matrix
pipe_svc.fit(X_train, y_train)
y_pred = pipe_svc.predict(X_test)
confmat = confusion_matrix(y_true=y_test, y_pred=y_pred)
print(confmat)
[[71 1]
[ 2 40]]
单纯用 错误率,精度 是无法知道下面的问题时:
查准率: 应用场景-当你想知道“挑出的西瓜中有多少比例是好瓜”
from sklearn.metrics import precision_score
from sklearn.metrics import recall_score, f1_score
print('Precision: %.3f' % precision_score(y_true=y_test, y_pred=y_pred))
Precision: 0.976
查全率: 应用场景-当你想知道“所有好瓜盅有多少比例被挑出来了”
print('Recall: %.3f' % recall_score(y_true=y_test, y_pred=y_pred))
Recall: 0.952
P-R 图: 当一个学习器的 P-R 曲线被另一个学习器的包住,那么后者性能优于前者。 有交叉时,需要在具体的查准率或者查全率下进行比较。
平衡点 (Break Event Point BEP): 即上图中三个红点。 综合考虑查准率,查全率的度量 当 查准率=查全率 时的点,谁大谁比较优。
F1 度量: 也是综合考虑查准率,查全率的度量,比 BEP 更常用:
print('F1: %.3f' % f1_score(y_true=y_test, y_pred=y_pred))
F1: 0.964
Fβ: 可以表达对查准率,查全率的不同重视度, β > 1 则查全率有更大影响,β < 1 则查准率有更大影响,β = 1 则为 F1。
One vs. All (OvA) 分类问题
这时会在 n 个二分类问题上综合考虑查准率,查全率。
宏~ :先在每个混淆矩阵上计算率,再求平均
宏查准率
宏查全率
宏 F1
微~ :先将各个混淆矩阵上对应元素求平均,再计算率
微查准率
微查全率
微 F1
ROC : 反映敏感性和特异性连续变量的综合指标,roc曲线上每个点反映着对同一信号刺激的感受性。
纵轴为 TPR 真正例率,预测为正且实际为正的样本占所有正例样本的比例 横轴为 FPR 假正例率。预测为正但实际为负的样本占所有负例样本的比例
对角线对应的是 “随机猜想”
当一个学习器的 ROC 曲线被另一个学习器的包住,那么后者性能优于前者。 有交叉时,需要用 AUC 进行比较。
AUC: ROC 曲线下的面积
import numpy as np
from sklearn.metrics import roc_auc_score
y_true = np.array([0, 0, 1, 1])
y_scores = np.array([0.1, 0.4, 0.35, 0.8])
roc_auc_score(y_true, y_scores)
0.75
代价敏感
现实任务中,当不同类型的错误具有不同的影响后果时,它们的代价也是不一样的。
此时,可以设定 代价矩阵 cost matrix: 如果将第 0 类预测为 第 1 类造成的损失更大,则 cost01 > cost10,相反将第 1 类预测为 第 0 类造成的损失更大,则 cost01 < cost10 :
则带有“代价敏感”的错误率为:
其中 0 为正类,1 为反类,D+ 为正例子集合,D- 为反例子集合。
代价曲线 cost curve: 非均等代价下,反应学习器的期望总体代价。 横轴为取值为[0,1]的正例概率代价:
纵轴为取值为[0,1]的归一化代价:
其中 p 为正例的概率,FPR = 1 - TPR。
资料: 机器学习 Python Machine Learning
推荐阅读 历史技术博文链接汇总 http://www.jianshu.com/p/28f02bb59fe5 也许可以找到你想要的: [入门问题][TensorFlow][深度学习][强化学习][神经网络][机器学习][自然语言处理][聊天机器人]
- JavaScript 教程
- JavaScript 编辑工具
- JavaScript 与HTML
- JavaScript 与Java
- JavaScript 数据结构
- JavaScript 基本数据类型
- JavaScript 特殊数据类型
- JavaScript 运算符
- JavaScript typeof 运算符
- JavaScript 表达式
- JavaScript 类型转换
- JavaScript 基本语法
- JavaScript 注释
- Javascript 基本处理流程
- Javascript 选择结构
- Javascript if 语句
- Javascript if 语句的嵌套
- Javascript switch 语句
- Javascript 循环结构
- Javascript 循环结构实例
- Javascript 跳转语句
- Javascript 控制语句总结
- Javascript 函数介绍
- Javascript 函数的定义
- Javascript 函数调用
- Javascript 几种特殊的函数
- JavaScript 内置函数简介
- Javascript eval() 函数
- Javascript isFinite() 函数
- Javascript isNaN() 函数
- parseInt() 与 parseFloat()
- escape() 与 unescape()
- Javascript 字符串介绍
- Javascript length属性
- javascript 字符串函数
- Javascript 日期对象简介
- Javascript 日期对象用途
- Date 对象属性和方法
- Javascript 数组是什么
- Javascript 创建数组
- Javascript 数组赋值与取值
- Javascript 数组属性和方法