重庆企业建站程序,邯郸网络广播电视台,做发包业务网站,腾讯云域名注册步骤Accuracy#xff08;准确率#xff09;
概念#xff1a;模型正确预测的样本数量与总样本数量的比例。 公式#xff1a;Accuracy (TP TN) / (TP TN FP FN)
TP (True Positives)#xff1a;正确预测为正例的样本数。即模型正确地将正例判定为正例。
TN (True Negati…Accuracy准确率
概念模型正确预测的样本数量与总样本数量的比例。 公式Accuracy (TP TN) / (TP TN FP FN)
TP (True Positives)正确预测为正例的样本数。即模型正确地将正例判定为正例。
TN (True Negatives)正确预测为负例的样本数。即模型正确地将负例判定为负例。
FP (False Positives)错误预测为正例的样本数。即模型错误地将负例判定为正例。
FN (False Negatives)错误预测为负例的样本数。即模型错误地将正例判定为负例。
代码实现
from sklearn.metrics import accuracy_scorey_true [0, 1, 1, 0, 1, 0]
y_pred [0, 1, 0, 0, 1, 1]accuracy accuracy_score(y_true, y_pred)
print(Accuracy:, accuracy)
Precision精确度
概念被模型正确分类为正例的样本数量与所有被模型分类为正例的样本数量的比例。 公式Precision TP / (TP FP)
代码实现
from sklearn.metrics import precision_scoreprecision precision_score(y_true, y_pred)
print(Precision:, precision)
Recall召回率
概念在所有实际正例中模型正确识别的比例。 公式Recall TP / (TP FN)
代码实现
from sklearn.metrics import recall_scorerecall recall_score(y_true, y_pred)
print(Recall:, recall)
F1-Score
概念综合了模型的精确度和召回率是一个更全面的指标。 公式F1 Score 2 * (Precision * Recall) / (Precision Recall)
代码实现
from sklearn.metrics import f1_scoref1 f1_score(y_true, y_pred)
print(F1-Score:, f1)
Time Taken花费时间
这个指标通常不是用公式来计算的而是通过代码中记录开始时间和结束时间然后计算时间差来得出。
Root Mean-Squared Error (RMSE)均方根误差
概念衡量模型预测值与真实值之间的平均差异。是均方误差的平方根。 公式RMSE sqrt(MSE)
from sklearn.metrics import mean_squared_error
import numpy as npy_true np.array([3.0, 2.5, 4.8])
y_pred np.array([2.8, 2.7, 4.5])mse mean_squared_error(y_true, y_pred)
rmse np.sqrt(mse)
print(RMSE:, rmse)
Mean Absolute Error (MAE)平均绝对误差
概念衡量模型预测值与真实值之间的平均绝对差异。 公式MAE (|y_true - y_pred|) / n
from sklearn.metrics import mean_absolute_errormae mean_absolute_error(y_true, y_pred)
print(MAE:, mae)
Log-loss/Cross-entropy loss对数损失/交叉熵损失
概念衡量模型在预测概率时的准确性。适用于二分类问题的交叉熵损失为对数损失。 公式Log-loss - (y_true * log(y_pred) (1 - y_true) * log(1 - y_pred))
代码实现
from sklearn.metrics import log_lossy_true [0, 1, 1, 0]
y_pred [0.2, 0.8, 0.7, 0.3]logloss log_loss(y_true, y_pred)
print(Log-loss:, logloss)
