分割评估指标sklearn

在机器学习中，`sklearn.metrics`模块提供了多种评估指标，用于衡量模型性能，特别是在处理分类、回归等任务时。分割评估指标通常关注的是数据集分割后的效果，比如在决策树、随机森林等算法中，会生成一系列的特征划分。其中一些常见的评估指标包括：

1. **准确率（Accuracy）**：对于分类问题，这是最直观的度量，表示预测正确的样本占总样本的比例。

2. **精确率（Precision）**：衡量真正例（True Positives）占所有预测为正例的样本数的比例，即 TP / (TP + FP)。适用于关注减少误报（False Positive）的场景。

3. **召回率（Recall）**：又称为查准率（True Positive Rate），衡量真正例占实际为正例的所有样本的比例，即 TP / (TP + FN)。它强调了找出所有真实正例的能力。

4. **F1分数（F1 Score）**：综合考虑精确率和召回率，是一个加权平均值，计算公式为 F1 = 2 * Precision * Recall / (Precision + Recall)。

5. **ROC曲线和AUC（Area Under the Curve）**：ROC曲线是以假正例率（False Positive Rate）为横坐标，真正例率（True Positive Rate）为纵坐标的图形，AUC是ROC曲线下面积，越接近1代表模型性能越好。

6. **混淆矩阵（Confusion Matrix）**：展示实际类别与预测类别之间的关系，有助于理解各类别的预测效果。

7. **R方（R-squared）**：对于回归问题，它是残差平方和与总平方和的比值，范围在0到1之间，越高表示模型拟合得越好。

当你使用sklearn库时，可以通过`classification_report()`或`roc_auc_score()`等函数获取以上指标的数值。