sklearn metrics 的用法

sklearn.metrics是scikit-learn库中的一个重要模块，它提供了多种评估指标，用于衡量机器学习模型的性能。这些指标广泛应用于分类、回归、聚类等各种任务。使用sklearn.metrics的基本步骤通常包括：

1. 导入所需函数：首先从`sklearn.metrics`模块导入你需要的评估函数。比如，对于分类问题常用的`accuracy_score`、`recall_score`、`precision_score`等。

   from sklearn.metrics import accuracy_score, recall_score, precision_score

2. 预测与真实标签对比：训练好模型后，对测试数据进行预测，并将预测结果与真实的标签进行对比。

   y_true = # 真实的标签列表
   y_pred = # 模型预测的结果列表

3. 调用评估函数并计算得分：根据任务需求，选择相应的评估函数。

   accuracy = accuracy_score(y_true, y_pred)
   recall = recall_score(y_true, y_pred, average='weighted')  # 'weighted' 或者 'micro', 'macro' 等
   precision = precision_score(y_true, y_pred, average='weighted')

4. 可视化和理解：有时会配合matplotlib等库绘制混淆矩阵（Confusion Matrix），以便更好地理解模型性能。

5. 循环实验与调整：如果有多组预测结果，可以循环计算并记录每个指标的平均值或最佳值，以便优化模型参数。

import matplotlib.pyplot as plt
cm = confusion_matrix(y_true, y_pred)
plt.imshow(cm, interpolation='nearest', cmap=plt.cm.Blues)