今天给大家带来一篇如何评价模型的好坏以及模型的得分
最下面的代码最有用
一、错误率与精度（accuracy 准确）
错误率和精度是分类任务中最常用的两种性能度量，既适用于二分类任务，也适用于多分类任务。错误率是分类错误的样本数占样本总数的比例，精度则是分类正确的样本数占样本总数的比例。
from sklearn import metrics
print('模型精度:',metrics.accuracy_score(y_test,y_predict))
二、查准率（precision）、查全率（recall）与F1-score
查准率（P值）是针对我们的预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本
查全率（R值）是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了
查准率 P与查全率 R 分别定义为
![]()
查准率和查全率是一对矛盾的度量.一般来说，查准率高时，查全率往往偏低;而查全率高时，查准率往往偏低。
F1-score，是统计学中用来衡量二分类模型精确度的一种指标。它同时兼顾了分类模型的准确率和召回率。F1分数可以看作是模型准确率和召回率的一种加权平均，它的最大值是1，最小值是0。
随着阈值的变化，就像假设检验的两类错误一样，如下图所示召回率和精确率不能同时提高，因此我们就需要一个指标来调和这两个指标,于是人们就常用F1-score来进行表示：
![]()
print('查准率:',metrics.precision(y_test,y_predict))
print('查全率:',metrics.recall_score(y_test,y_predict))
print('F1-score:',metrics.precision_score(y_test,y_predict))
三、ROC曲线、AUC
ROC（Receiver Operating Characteristic） 受试者工作特征曲线的纵轴是"真正例率" (True Positive Rate，简称TPR) ，也称灵敏度，横轴是"假正例率" (False Positive Rate，简称FPR) ，也称1-特异度，两者分别定义为
print('AUC:',metrics.roc_auc_score(y_test,y_pred))
四、log-loss
很多机器学习的算法通常会用logloss作为模型评价的指标，对数损失（Log loss）亦被称为逻辑回归损失（Logistic regression loss）或交叉熵损失（Cross-entropy loss），简单来说就是逻辑回归的损失函数。
y_pred=LR.(predict_proba(X))[:,1]预测类别为1的概率
print('log-loss:',metrics.log_loss(y_test,y_pred))
#准确率(accuracy),精确(precision_weighted),召回(recall_weighted),F1(f1_weighted)
#导入评分的包
from sklearn.model_selection import cross_val_score
# cv=6 是把数据分成6分,交叉验证, mea平均数,确保数据的准确率
print('准确{}'.format(cross_val_score(gaussian,test_X,test_Y,scoring='accuracy',cv=6).mean()))
print('精确{}'.format(cross_val_score(gaussian,test_X,test_Y,scoring='precision_weighted',cv=6).mean()))
print('召回{}'.format(cross_val_score(gaussian,test_X,test_Y,scoring='recall_weighted',cv=6).mean()))
print('F1值{}'.format(cross_val_score(gaussian,test_X,test_Y,scoring='f1_weighted',cv=6).mean()))
#查看分类报告
from sklearn.metrics import classification_report
# 查看更详细的, target_names=iris.target_names()
print(classification_report(y_pred=y_pre,y_true = train_Y,target_names=iris.target_names))
#support :原个数类别个数
from sklearn import metrics
print('平均绝对误差:{}'.format(metrics.mean_squared_error(y_predict,trainY)))
print('均方误差MSE:{}'.format(metrics.mean_absolute_error(y_predict,trainY)))
print('解释方差分:{}'.format(metrics.explained_variance_score(y_predict,trainY)))
print('R2得分:{}'.format(metrics.r2_score(y_predict,trainY)))
