XGBOOST多分类评价指标python

对于XGBoost多分类问题，常用的评价指标包括准确率、混淆矩阵、精确率、召回率、F1-score等。

以下是一些常用的Python代码，可以用于计算这些指标：

# 导入相关库和数据集
from xgboost import XGBClassifier
from sklearn.datasets import load_iris
from sklearn.metrics import accuracy_score, confusion_matrix, precision_score, recall_score, f1_score

# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target

# 将数据集拆分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练模型
clf = XGBClassifier()
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy: %.2f%%" % (accuracy * 100.0))

# 计算混淆矩阵
confusion_mat = confusion_matrix(y_test, y_pred)
print("Confusion Matrix:\n", confusion_mat)

# 计算精确率
precision = precision_score(y_test, y_pred, average='weighted')
print("Precision: %.2f%%" % (precision * 100.0))

# 计算召回率
recall = recall_score(y_test, y_pred, average='weighted')
print("Recall: %.2f%%" % (recall * 100.0))

# 计算F1-score
f1 = f1_score(y_test, y_pred, average='weighted')
print("F1-score: %.2f%%" % (f1 * 100.0))

这些代码可以帮助您计算XGBoost多分类问题的常见评价指标。如果您有其他问题或需要更详细的解释，请随时问我。