python数据分析之模型评估

1.分类模型评估

–*1.1正确率

–*1.2召回率

–*1.3查准率（精准率）

2.回归模型评估

–*2.1MAE

–*2.2MSE

–*2.3RMSE

–*2.4R2_score决定系数

3.聚类模型评估

–*3.1RMS

–*3.2轮廓系数

–*3.3RMSE

–*3.4R2_score决定系数

4.关联模型评估

–*4.1支持度

–*4.2置信度

–*4.3提升度

1.分类模型评估

#导入正确率，召回率，精准率的模块

from sklearn.metrics import accuracy_score,recall_score,f1_score

1

2

1

2

1.1正确率

print("ACC",accuracy_score(Y,Y_pred))

1

1

1.2召回率

print("REC",recall_score(Y,Y_pred,average="micro"))

1

1

1.3查准率（精准率)

print("F-score",f1_score(Y,Y_pred,average="micro"))

1

1

2.回归模型评估

2.1MAE

残差

2.2MSE

常用的

2.3RMSE

对小的特征放大，比如0.0001的特征放大为0.01

公式是对MSE开根号

2.4R2_score（决定系数）

首先从公式也能看出来，这三个基本上是R^2算一类，然后MSE和MAE算另一类。为什么呢？因为R^2相当于是对所有的数据都会有一个相同的比较标准。也就是说你得到一个值0.9999，那就非常好（当然对不同的应用你对好的定义可能会不一样，比如某些你觉得0.6就够了，某些你要0.8）。而MAE和MSE就是数据相关了，范围可以非常大，你单纯根据一个值完全不知道效果怎么样。

3.聚类模型评估

3.1RMS

值越小，聚类的模型越好，值越大，聚类的模型越差

3.2轮廓系数

a(i)为样本i与簇内其他样本的平均距离

b(i)为样本i与其他样本的平均距离

值越趋近于1，证明聚类的模型越好