人工智能博士一篇文章让你详解分类、回归评价指标，机器学习必看

在本文中，我们将讨论机器学习中回归和分类的各种指标。我们总是想到建模一个好的机器学习算法所涉及的步骤。第一步是评估模型优劣的指标。当我们拟合模型并做出预测时，我们总是尝试了解误差和准确性。本文将尝试提供并解释回归和分类中的各种错误度量方法。

有一些标准可以评估模型的预测质量，如下所示：

• 度量函数：我们将在本文中进行研究。
• 估计器评分方法：此方法具有评估解决问题的评分方法。
• 评分参数：该评分参数告诉估算人员选择度量与模型的评估grid_search.GridSearchCV和cross_validation.cross_val_score

基本定义

估计器：它是一个函数或方程式，用于预测实际数据点上的更准确的建模点。
要知道的技巧
评估方法中有两点需要注意，如下所示：

• 首先，某些方法以score单词结尾，这意味着价值来自于此，它决定了基本事实。在这种情况下，如果数字较高，则更好。
• 第二个，如果单词以error或结尾loss。在这种情况下，数量越少越好。

回归指标
评估回归性能的指标如下：

1. 解释方差得分：此指标评估数据点的变化或离散度。

• 该指标的公式如下所示：

python中的示例：

#从sklearn导入差异分数 
from sklearn.metrics import explained_variance_score 
true_values = [5, 2.5, 3, 6] 
predicted_values = [4.5, 2.9, 3, 7] 
explained_variance_score(true_values, predicted_values) 
#output: 
0.8525190839694656 

2.最大误差：此度量标准将计算真实值和预测值之间的最差值。

• 最大误差的公式如下所示：

python中的示例

from sklearn.metrics import max_error 
true_values = [5, 2.5, 3, 6] 
predicted_values = [4.5, 2.9, 3, 8] 
max_error(true_values, predicted_values) 
#output: 
2 

3.平均绝对误差：此度量标准计算真实值和预测值之差的平均误差。该度量对应于l1-范数损失。

• 该指标的公式如下所示：

python中的示例

from sklearn.metrics import mean_absolute_error 
true_values = [5, 2.5, 3, 6] 
predicted_values = [4.5, 2.9, 3, 7] 
mean_absolute_error(true_values, predicted_values) 
#output: 
0.475 

3.均方误差：此度量标准计算二次误差或损失。

• 公式如下所示：

python中的示例

from sklearn.metrics import mean_squared_error 
true_values = [5, 2.5, 3, 6] 
predicted_values = [4.5, 2.9, 3, 7] 
mean_squared_error(true_values, predicted_values) 
#output: 
0.3525 

4. R平方得分：此度量标准从均值或估计量（如拟合的回归线）计算数据的分布。通常称为“确定系数”。

• 该指标的公式如下：

python中的示例

from sklearn.metrics import r2_score 
true_values = [5, 2.5, 3, 6] 
predicted_values = [4.5, 2.9, 3, 7] 
r2_score(true_values, predicted_values) 
#output: 
0.8277862595419847 

分类指标

评估分类效果的指标如下：

1. 准确性得分：此度量标准计算真实值的准确性等于预测值，然后返回分数的分数，否则，如果归一化参数为FALSE，则它将返回真实预测值的总数。

公式如下：

python中的示例

from sklearn.metrics import accuracy_score 
true_values = [5, 2, 3, 6] 
predicted_values = [4, 3, 3, 6] 
accuracy_score(true_values, predicted_values) 

2.分类报告：此度量标准计算的报告包含分类问题的精度，召回率和F1得分。

Python范例

from sklearn.metrics import classification_report 
true_values = [3, 4, 3, 6] 
predicted_values = [4, 3, 3, 6] 
target_names = ['Apple', 'Orange', 'Kiwi'] 
print(classification_report(true_values, predicted_values, target_names=target_names)) 

3.铰链损耗：此损耗计算数据点和模型预测点之间的平均距离。SVM算法中也使用它来获得最大边际。

• 公式如下所示：

python中的示例

from sklearn import svm 
from sklearn.metrics import hinge_loss 
from sklearn.svm import LinearSVC 
#data set in x and y values 
x_values = [[3], [2]] 
y_values = [-1, 1] 
#using linear SVC model 
svm_linear = svm.LinearSVC(random_state=0) 
#fitting the model 
svm_linear.fit(x_values, y_values) 
LinearSVC(random_state=0) 
#making decision prediction 
pred_decision = svm_linear.decision_function([[-2], [3], [0.5]]) 
hinge_loss([-1, 1, 1], pred_decision) 
#output: 
1.333372678152829 

结论：

这些都是从回归和分类中评估模型性能的一些指标。分类中有基于回归，二元类和多类指标的各种指标。

本文转载自网络，原文链接：https://www.toutiao.com/a6940224681576415757/
本站部分内容转载于网络，版权归原作者所有，转载之目的在于传播更多优秀技术内容，如有侵权请联系QQ/微信：153890879删除，谢谢！