Python sklearn机器学习各种评价指标——Sklearn.metrics简介及应用示例

Python Sklearn.metrics 简介及应用示例

利用Python进行各种机器学习算法的实现时，经常会用到sklearn（scikit-learn）这个模块/库。

无论利用机器学习算法进行回归、分类或者聚类时，评价指标，即检验机器学习模型效果的定量指标，都是一个不可避免且十分重要的问题。因此，结合scikit-learn主页上的介绍，以及网上大神整理的一些资料，对常用的评价指标及其实现、应用进行简单介绍。

一、 scikit-learn安装

网上教程很多，此处不再赘述，具体可以参照：
https://www.cnblogs.com/zhangqunshi/p/6646987.html
此外，如果安装了Anoconda，可以直接从Anoconda Navigator——Environment里面搜索添加。
pip install -U scikit-learn

二、 scikit-learn.metrics导入与调用

有两种方式导入：

方式一：

from sklearn.metrics import 评价指标函数名称

例如：

from sklearn.metrics import mean_squared_error
from sklearn.metrics import r2_score

调用方式为：直接使用函数名调用
计算均方误差mean squared error

mse = mean_squared_error(y_test, y_pre)

计算回归的决定系数R2

R2 = r2_score(y_test,y_pre)

方式二：

from sklearn import metrics

调用方式为：metrics.评价指标函数名称（parameter）

例如：
计算均方误差mean squared error

mse = metrics.mean_squared_error(y_test, y_pre)

计算回归的决定系数R2

R2 = metrics.r2_score(y_test,y_pre)

三、 scikit-learn.metrics里各种指标简介

简单介绍参见：
https://www.cnblogs.com/mdevelopment/p/9456486.html
详细介绍参见：
https://www.cnblogs.com/harvey888/p/6964741.html
官网介绍：
https://scikit-learn.org/stable/modules/classes.html#module-sklearn.metrics

转自第一个链接的内容，简单介绍内容如下：

回归指标

1. explained_variance_score(y_true, y_pred, sample_weight=None, multioutput=‘uniform_average’)：回归方差(反应自变量与因变量之间的相关程度)

2. mean_absolute_error(y_true,y_pred,sample_weight=None,
   multioutput=‘uniform_average’)：
   平均绝对误差

3. mean_squared_error(y_true, y_pred, sample_weight=None, multioutput=‘uniform_average’)：均方差

4. median_absolute_error(y_true, y_pred) 中值绝对误差

5. r2_score(y_true, y_pred,sample_weight=None,multioutput=‘uniform_average’) ：R平方值

分类指标