Accuracy（準(zhǔn)確率）
概念：模型正確預(yù)測的樣本數(shù)量與總樣本數(shù)量的比例。
公式：Accuracy = (TP + TN) / (TP + TN + FP + FN)
TP (True Positives)：正確預(yù)測為正例的樣本數(shù)。即模型正確地將正例判定為正例。
TN (True Negatives)：正確預(yù)測為負(fù)例的樣本數(shù)。即模型正確地將負(fù)例判定為負(fù)例。
FP (False Positives)：錯誤預(yù)測為正例的樣本數(shù)。即模型錯誤地將負(fù)例判定為正例。
FN (False Negatives)：錯誤預(yù)測為負(fù)例的樣本數(shù)。即模型錯誤地將正例判定為負(fù)例。
代碼實現(xiàn)
from sklearn.metrics import accuracy_score
y_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（精確度）
概念：被模型正確分類為正例的樣本數(shù)量與所有被模型分類為正例的樣本數(shù)量的比例。
公式：Precision = TP / (TP + FP)
代碼實現(xiàn)
from sklearn.metrics import precision_score
precision = precision_score(y_true, y_pred)
print("Precision:", precision)
Recall（召回率）
概念：在所有實際正例中，模型正確識別的比例。
公式：Recall = TP / (TP + FN)
代碼實現(xiàn)
from sklearn.metrics import recall_score
recall = recall_score(y_true, y_pred)
print("Recall:", recall)
F1-Score
概念：綜合了模型的精確度和召回率，是一個更全面的指標(biāo)。
公式：F1 Score = 2 * (Precision * Recall) / (Precision + Recall)
代碼實現(xiàn)
from sklearn.metrics import f1_score
f1 = f1_score(y_true, y_pred)
print("F1-Score:", f1)
Time Taken（花費時間）
這個指標(biāo)通常不是用公式來計算的，而是通過代碼中記錄開始時間和結(jié)束時間，然后計算時間差來得出。
Root Mean-Squared Error (RMSE)（均方根誤差）
概念：衡量模型預(yù)測值與真實值之間的平均差異。是均方誤差的平方根。
公式：RMSE = sqrt(MSE)
from sklearn.metrics import mean_squared_error
import numpy as np
y_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)（平均絕對誤差）
概念：衡量模型預(yù)測值與真實值之間的平均絕對差異。
公式：MAE = (|y_true - y_pred|) / n文章來源：http://www.zghlxwxcb.cn/news/detail-687022.html
from sklearn.metrics import mean_absolute_error
mae = mean_absolute_error(y_true, y_pred)
print("MAE:", mae)
Log-loss/Cross-entropy loss（對數(shù)損失/交叉熵?fù)p失）
概念：衡量模型在預(yù)測概率時的準(zhǔn)確性。適用于二分類問題的交叉熵?fù)p失為對數(shù)損失。
公式：Log-loss = - (y_true * log(y_pred) + (1 - y_true) * log(1 - y_pred))文章來源地址http://www.zghlxwxcb.cn/news/detail-687022.html
代碼實現(xiàn)
from sklearn.metrics import log_loss
y_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)
到了這里，關(guān)于機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘03-模型性能評估指標(biāo)的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
