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

2.2MSE

常用的

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）

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

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

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：