sklearn.metrics评价方法

一、分类

1、准确率：

sklearn.metrics.accuracy_score(y_true, y_pred, normalize=True)

##参数normalize：默认值为True，返回正确分类的比例；如果为False，返回正确分类的样本数

2、召回率/查全率：

sklearn.metrics.recall_score(y_true, y_pred, average='binary')

##参数average : string, [None, ‘micro’, ‘macro’(default), ‘samples’, ‘weighted’],多分类时可用其它参数

3、ROC曲线

sklearn.metrics.roc_curve(y_true,y_score,pos_label=2)

##该函数返回这三个变量：fpr,tpr,和阈值thresholds;

4、AUC

①   sklearn.metrics.roc_auc_score(y_true, y_score, average='macro', sample_weight=None)

②   fpr,tpr,thresholds=sklearn.metrics.roc_curve(y_true,y_score)

       sklearn.metrics.auc(fpr,tpr)

5、混淆矩阵

sklearn.metrics.confusion_matrix(y_true, y_pred, labels=None)

##labels：混淆矩阵的索引，用于选择矩阵维度，默认None表示完全展示

def cm_plot(y, yp):

'''画混淆矩阵图'''

  from sklearn.metrics import confusion_matrix

  cm = confusion_matrix(y, yp) #混淆矩阵

  import matplotlib.pyplot as plt #导入作图库

  plt.matshow(cm, cmap=plt.cm.Greens) #画混淆矩阵图，配色风格使用cm.Greens，更多风格请参考官网。

  plt.colorbar() #颜色标签

  for x in range(len(cm)): #数据标签

    for y in range(len(cm)):

      plt.annotate(cm[x,y], xy=(y, x), horizontalalignment='center', verticalalignment='center')

  plt.ylabel('True label') #坐标轴标签

  plt.xlabel('Predicted label') #坐标轴标签

  return plt

6、F1值

sklearn.metrics.f1_score(y_true, y_pred)

7、查准率

sklearn.metrics.precision_score(y_true, y_pred) 

二、回归

1、sklearn.metrics.explained_variance_score(y_true, y_pred, sample_weight=None, multioutput='uniform_average')：回归方差(反应自变量与因变量之间的相关程度)

2、sklearn.metrics.mean_absolute_error(y_true, y_pred, sample_weight=None, multioutput='uniform_average')：平均绝对误差

3、sklearn.metrics.mean_squared_error(y_true, y_pred, sample_weight=None, multioutput='uniform_average')：均方差

4、sklearn.metrics.median_absolute_error(y_true, y_pred)   中值绝对误差

5、sklearn.metrics.r2_score(y_true, y_pred, sample_weight=None, multioutput='uniform_average')  ：R平方值

参考文献：https://www.cnblogs.com/mdevelopment/p/9456486.html