摘要： 总是很容易忘记一些专业术语的公式，可以先理解再去记住 1.信息熵（entropy） 反正就是先计算每一类别的占比，然后再乘法，最后再将每一类加起来 def entropy(sr): """计算信息熵，以一个明细的观测点序列为输入 \n 参数: sr: series, 一列明细数据，非统计好的各类别占 阅读全文

摘要： 一、混淆矩阵 T和F代表是否预测正确，P和N代表预测为正还是负 这个图片我们见过太多次了，但其实要搞清楚我们的y值中的1定义是什么，这样就不会搞错TP、FP、FN、TN的顺序，比如说下面的混淆矩阵： [[198985 29] [ 73 277]] y(真实）.value_counts()： 0： 1 阅读全文