机器学习模型评价指标及可视化代码

机器学习模型的评价指标可以分为分类模型和回归模型两类。

## 分类模型评价指标

### 混淆矩阵

混淆矩阵是分类模型评价中最基本的指标，它用于描述分类模型预测结果和真实结果之间的关系。可以用以下代码实现混淆矩阵的可视化：

import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.metrics import confusion_matrix

def plot_confusion_matrix(y_true, y_pred, classes, normalize=False, cmap=plt.cm.Blues):
    cm = confusion_matrix(y_true, y_pred)
    if normalize:
        cm = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis]
    plt.imshow(cm, interpolation='nearest', cmap=cmap)
    plt.title('Confusion matrix')
    plt.colorbar()
    tick_marks = np.arange(len(classes))
    plt.xticks(tick_marks, classes, rotation=45)
    plt.yticks(tick_marks, classes)
    fmt = '.2f' if normalize else 'd'
    thresh = cm.max() / 2.
    for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])):
        plt.text(j, i, format(cm[i, j], fmt),
                 horizontalalignment="center",
                 color="white" if cm[i, j] > thresh else "black")
    plt.tight_layout()
    plt.ylabel('True label')
    plt.xlabel('Predicted label')

### 准确率

准确率是分类模型评价中最常用的指标，用于衡量模型预测正确的样本占总样本数量的比例。可以用以下代码实现准确率的计算和可视化：

from sklearn.metrics import accuracy_score

def plot_accuracy(y_true, y_pred):
    acc = accuracy_score(y_true, y_pred)
    plt.figure(figsize=(4, 4))
    plt.title('Accuracy: {:.2%}'.format(acc))
    sns.heatmap(confusion_matrix(y_true, y_pred), square=True, annot=True, fmt='d', cbar=False)

### 精确率、召回率和 F1 值

精确率是指模型预测为正例的样本中，真正为正例的样本占比；召回率是指真正为正例的样本中，被模型预测为正例的样本占比；F1 值是精确率和召回率的调和平均数。可以用以下代码实现精确率、召回率和 F1 值的计算和可视化：

from sklearn.metrics import precision_score, recall_score, f1_score

def plot_precision_recall_f1(y_true, y_pred):
    precision = precision_score(y_true, y_pred)
    recall = recall_score(y_true, y_pred)
    f1 = f1_score(y_true, y_pred)
    plt.figure(figsize=(4, 4))
    plt.title('Precision: {:.2%}, Recall: {:.2%}, F1 Score: {:.2%}'.format(precision, recall, f1))
    sns.heatmap(confusion_matrix(y_true, y_pred), square=True, annot=True, fmt='d', cbar=False)

## 回归模型评价指标

### 均方误差和均方根误差

均方误差是回归模型评价中最常用的指标之一，用于衡量模型预测值与真实值之间的差异。均方根误差是均方误差的平方根。可以用以下代码实现均方误差和均方根误差的计算和可视化：

from sklearn.metrics import mean_squared_error

def plot_mse_rmse(y_true, y_pred):
    mse = mean_squared_error(y_true, y_pred)
    rmse = np.sqrt(mse)
    plt.figure(figsize=(4, 4))
    plt.title('MSE: {:.2f}, RMSE: {:.2f}'.format(mse, rmse))
    plt.scatter(y_true, y_pred, alpha=0.5)
    plt.plot([y_true.min(), y_true.max()], [y_true.min(), y_true.max()], 'k--')
    plt.xlabel('True Values')
    plt.ylabel('Predictions')

### R2 值

R2 值是回归模型评价中最常用的指标之一，用于衡量模型解释数据方差的能力，取值范围为 0 到 1。可以用以下代码实现 R2 值的计算和可视化：

from sklearn.metrics import r2_score

def plot_r2(y_true, y_pred):
    r2 = r2_score(y_true, y_pred)
    plt.figure(figsize=(4, 4))
    plt.title('R2 Score: {:.2%}'.format(r2))
    plt.scatter(y_true, y_pred, alpha=0.5)
    plt.plot([y_true.min(), y_true.max()], [y_true.min(), y_true.max()], 'k--')
    plt.xlabel('True Values')
    plt.ylabel('Predictions')

以上是一些常用的机器学习模型评价指标及可视化代码，可以根据实际需求进行调整和修改。