python数据分析之模型评价-第九次笔记

喜欢ヅ旅行 2022-05-17 11:46 269阅读 0赞

# python数据分析之模型评估-第九次笔记 #

--------------------

#### 1.分类模型评估 ####

–**\*1.1正确率**  
–**\*1.2召回率**  
–**\*1.3查准率（精准率）**

#### 2.回归模型评估 ####

–**\*2.1MAE**  
–**\*2.2MSE**  
–**\*2.3RMSE**  
–**\*2.4R2\_score决定系数**

#### 3.聚类模型评估 ####

–**\*3.1RMS**  
–**\*3.2轮廓系数**  
–**\*3.3RMSE**  
–**\*3.4R2\_score决定系数**

#### 4.关联模型评估 ####

–**\*4.1支持度**  
–**\*4.2置信度**  
–**\*4.3提升度**

--------------------

## 1.分类模型评估 ##

#导入正确率，召回率，精准率的模块
    from sklearn.metrics import accuracy_score,recall_score,f1_score

#### 1.1正确率 ####

print("ACC",accuracy_score(Y,Y_pred))

#### 1.2召回率 ####

print("REC",recall_score(Y,Y_pred,average="micro"))

#### 1.3查准率（精准率) ####

print("F-score",f1_score(Y,Y_pred,average="micro"))

### 2.回归模型评估 ###

#### 2.1MAE ####

残差  
![这里写图片描述][70]

#### 2.2MSE ####

常用的  
![这里写图片描述][70 1]

#### 2.3RMSE ####

对小的特征放大，比如0.0001的特征放大为0.01  
公式是对**MSE开根号**

#### 2.4R2\_score（决定系数） ####

![这里写图片描述][70 2]  
首先从公式也能看出来，这三个基本上是R^2算一类，然后MSE和MAE算另一类。为什么呢？因为R^2相当于是对所有的数据都会有一个相同的比较标准。也就是说你得到一个值0.9999，那就非常好（当然对不同的应用你对好的定义可能会不一样，比如某些你觉得0.6就够了，某些你要0.8）。而MAE和MSE就是数据相关了，范围可以非常大，你单纯根据一个值完全不知道效果怎么样。

### 3.聚类模型评估 ###

#### 3.1RMS ####

值越小，聚类的模型越好，值越大，聚类的模型越差

#### 3.2轮廓系数 ####

a(i)为样本i与簇内其他样本的平均距离  
b(i)为样本i与其他样本的平均距离  
值越趋近于1，证明聚类的模型越好  
![这里写图片描述][70 3]

### 4.关联模型评估 ###

#### 4.1支持度 ####

#### 4.2置信度 ####

#### 4.3提升度 ####

关联模型评估可以参考，我之前写的  
python数据分析之聚类模型与半监督学习-第八次笔记  
[https://blog.csdn.net/weixin\_42878758/article/details/81568969][https_blog.csdn.net_weixin_42878758_article_details_81568969]

python数据分析的笔记就到这里了，接下来作者准备学习：python的opencv+tensorflow模块图像处理，希望喜欢作者的小伙伴，可以多多支持哦，有什么不足的，欢迎大家留言哦。谢谢大家的观看。

模型评估的笔记：  
![这里写图片描述][70 4]  
![这里写图片描述][70 5]

[70]: /images/20220517/7f4db7c130f94bc6bcaf5ca2b0558c45.png
[70 1]: /images/20220517/4b2769c182bd404895568ed1a86788e4.png
[70 2]: /images/20220517/0eba92a15e1346cdb2035854e1a50b16.png
[70 3]: /images/20220517/6a259915a5c84c5ebd3aea72730b2e66.png
[https_blog.csdn.net_weixin_42878758_article_details_81568969]: https://blog.csdn.net/weixin_42878758/article/details/81568969
[70 4]: /images/20220517/c7bcf1b8697f40c4971d0b2033dd32b0.png
[70 5]: /images/20220517/d11ccf85c4134504b130c28bccaed929.png