使用使用 sklearn 完成对模型分类性能的评估完成对模型分类性能的评估 Educoder
accuracy_score
sklearn 提供了计算准确度的接口 accuracy_score。其中参数如下:
y_true:为样本真实标签,类型为一维的 ndarray 或者 list;
y_pred:为模型预测标签,类型为一维的 ndarray 或者 list。
示例代码如下:
from sklearn.metrics import accuracy_score
precision_score
sklearn 提供了计算精准率的接口 precision_score 。其中参数如下:
y_true:为样本真实标签,类型为一维的 ndarray 或者 list;
y_pred:为模型预测标签,类型为一维的 ndarray 或者 list;
pos_label:用什么值表示 Positive,默认为 1。
示例代码如下:
from sklearn.metrics import precision_score
recall_score
sklearn 提供了计算召回率的接口 recall_score 。其中参数如下:
y_true:为样本真实标签,类型为一维的 ndarray 或者 list;
y_pred:为模型预测标签,类型为一维的 ndarray 或者 list;
pos_label:用什么值表示 Positive ,默认为 1。
示例代码如下:
from sklearn.metrics import recall_score
f1_score
sklearn 提供了计算 F1 Score 的接口 f1_score 。其中参数如下:
y_true:为样本真实标签,类型为一维的 ndarray 或者 list;
y_pred:为模型预测标签,类型为一维的 ndarray 或者 list;
pos_label:用什么值表示 Positive ,默认为 1。
示例代码如下:
from sklearn.metrics import f1_score
roc_auc_score
sklearn 提供了计算 AUC 的接口 roc_auc_score 。其中参数如下:
y_true:为样本真实标签,类型为一维的 ndarray 或者 list;
y_score:为模型预测样本为:为模型预测样本为 Positive 的概率,类型为一维的的概率,类型为一维的 ndarray 或者或者 list。。(并非与上面共同的并非与上面共同的y_pred)
示例代码如下:
import numpy as np
from sklearn.metrics import roc_auc_score
#y_true为真实标签,y_predict为预测标签
y_true = [1, 0, 0, 1] y_predict = [1, 0, 1, 0]
print(accuracy_score(y_true, y_predict))
第十关通关代码第十关通关代码
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, roc_auc_score
def classification_performance(y_true, y_pred, y_prob):
'''
返回准确度、精准率、召回率、f1 Score和AUC
:param y_true:样本的真实类别,类型为`ndarray`
:param y_pred:模型预测出的类别,类型为`ndarray`
:param y_prob:模型预测样本为`Positive`的概率,类型为`ndarray`
'''
#********* Begin *********#
a=accuracy_score(y_true,y_pred)
b=precision_score(y_true,y_pred)
c=recall_score(y_true,y_pred)
d=f1_score(y_true,y_pred)
e=roc_auc_score(y_true,y_prob)
return (a,b,c,d,e)
评论0