九、二元分类效果的评估方法
2017-01-25 10:22
232 查看
效果评估是模型选择和算法设计的重要步骤,知道评估优劣才能选择最佳的模型和算法,本节介绍一些有关评估方法的定义,凡是在统计或大数据领域都用得到
请尊重原创,转载请注明来源网站www.shareditor.com以及原始链接地址
真阳性
true positives, TP真阴性
true negatives, TN假阳性
false positives, FP假阴性
false negatives, FN)准确率
分类器预测正确性的比例,可以通过LogisticRegression.score() 来计算准确率精确率
分类器预测出的脏话中真的是脏话的比例P=TP/(TP+FP)
召回率
也叫灵敏度。所有真的脏话被分类器正确找出来的比例。R=TP/(TP+FN)
综合评价指标
F-measure,精确率和召回率的调和均值。精确率和召回率都不能从差的分类器中区分出好的分类器,综合评价指标平衡了精确率和召回率。1/F+1/F=1/P+1/R即
F=2*PR/(P+R)
误警率
假阳性率,所有阴性样本中分类器识别为阳性的样本所占比例F=FP/(TN+FP)
ROC(Receiver Operating Characteristic)
ROC曲线画的是分类器的召回率与误警率(fall-out)的曲线AUC(Area Under Curve)
ROC曲线下方的面积,它把ROC曲线变成一个值,表示分类器随机预测的效果scikit-learn画ROC曲线和AUC值的方法如下:
import matplotlib.pyplot as plt from sklearn.metrics import roc_curve, auc false_positive_rate, recall, thresholds = roc_curve(pred, predictions) roc_auc = auc(false_positive_rate, recall) plt.plot(false_positive_rate, recall, 'b', label='AUC = %0.2f' % roc_auc) plt.show()
相关文章推荐
- 二元分类效果评估方法
- 机器学习精简教程之八——二元分类效果的评估方法
- JavaScript+CSS无限极分类效果完整实现方法
- 15个推广方法的成本、引流、效果评估
- 机器学习二分类问题模型效果度量方法
- 二分类模型评估指标的计算方法与代码实现
- 分类模型的评估方法
- mahout分类算法效果评估指标
- Python sklearn 分类效果评估
- 机器学习 - 分类效果评估
- python + sklearn ︱分类效果评估——acc、recall、F1、ROC、回归、距离
- Spark2.0机器学习系列之8:多类分类问题(方法归总和分类结果评估)
- [EverString收录]机器学习中分类评估方法简介 - 1
- Spark2.0机器学习系列之7:多类分类问题(方法归总和分类结果评估)
- 分类模型的评估方法-精确率(Precision)
- JavaScript+CSS无限极分类效果完整实现方法
- 进阶必看:数字营销的8种效果优化技巧及评估方法
- Discuz!论坛主题全局置顶、分类置顶看不见或没有效果的解决方法
- sklearn工具包---分类效果评估(acc、recall、F1、ROC、回归、距离)
- python + sklearn ︱分类效果评估——acc、recall、F1、ROC、回归、距离