机器学习模型评估

1、混淆矩阵

在分类任务下，预测结果（Predicted Condition）与正确标记(True Condition）之间存在四种不同的组合，构成混淆矩阵（适用于多分类）

2、准确率、精确率、召回率、F1-score

准确率：score = estimator.score(x_test, y_test) #比对预测值与真实值，判断正确的概率

精确率 precision：预测结果为正例样本中真实为正例的比例

召回率recall：真实为正例的样本中预测结果为正例的比例（查得全，对正样本的区分能力）

F1-score：反应模型的稳健性

3、分类评估报告API

·sklearn.metrics.classification_report(y_true,y_pred,labels=[],target_names=None）

。y_true：真实目标值
。y_pred：估计器预测目标值
。labels：指定类别对应的数字
。target_names：目标类别名称
。return：每个类别籍确率与召回率

4、ROC曲线和AUC值

TPR = TP /(TP+FN) :所有真实类别为1样本中，预测类别为1的比例

FPR = FP /(FP+TN) :所有真实类别为0样本中，预测类别为1的比例

ROC曲线:

ROC曲线的横轴就是FPRate，纵轴就是TPRate，当二者相等时，表示的意义则是：
对于不论真实类别是1还是0的样本，分类器预测为1的概率是相等的，此时AUC为0.5

AUC:样本不均匀的情况下衡量模型的好坏

·AUC的概率意义是随机取一对正负样本，正样本得分大于负样本的概率
·AUC的最小值为0.5，最大值为1，取值越高越好
·AUC=1，完美分类器，采用这个预别模型时，不管设定什么阀值都能得出完美预测。绝大多数预测的场合，不存在完美分类器。
·0.5<AUC<1，优于随机猜测，这个分类器（模型）妥善设定阀值的话，能有预测价值。

AUC只能用来评价二分类

AUC非常适合评价样本不平衡中的分类器性能

5、AUC计算API

·from sklearn.metrics import roc_auc_score

。sklearn.metrics.roc_auc_score(y_true，y_score）y
    ·计算ROC曲线面积，即AUC值
    ·y_true：每个样本的真实类别，必须为0(反例），1（正例)标记
    ·y_score：每个样本的预测值，通常y_score=y_predict = estimator.predict(x_test)

6、案例：

案例：https://blog.csdn.net/weixin_41685388/article/details/104498058