在本文中，我們將討論機(jī)器學(xué)習(xí)中回歸和分類的各種指標(biāo)。我們總是想到建模一個(gè)好的機(jī)器學(xué)習(xí)算法所涉及的步驟。第一步是評(píng)估模型優(yōu)劣的指標(biāo)。當(dāng)我們擬合模型并做出預(yù)測(cè)時(shí)，我們總是嘗試了解誤差和準(zhǔn)確性。本文將嘗試提供并解釋回歸和分類中的各種錯(cuò)誤度量方法。

有一些標(biāo)準(zhǔn)可以評(píng)估模型的預(yù)測(cè)質(zhì)量，如下所示：

• 度量函數(shù)：我們將在本文中進(jìn)行研究。
• 估計(jì)器評(píng)分方法：此方法具有評(píng)估解決問題的評(píng)分方法。
• 評(píng)分參數(shù)：該評(píng)分參數(shù)告訴估算人員選擇度量與模型的評(píng)估grid_search.GridSearchCV和cross_validation.cross_val_score

基本定義

估計(jì)器：它是一個(gè)函數(shù)或方程式，用于預(yù)測(cè)實(shí)際數(shù)據(jù)點(diǎn)上的更準(zhǔn)確的建模點(diǎn)。
要知道的技巧
評(píng)估方法中有兩點(diǎn)需要注意，如下所示：

• 首先，某些方法以score單詞結(jié)尾，這意味著價(jià)值來自于此，它決定了基本事實(shí)。在這種情況下，如果數(shù)字較高，則更好。
• 第二個(gè)，如果單詞以error或結(jié)尾loss。在這種情況下，數(shù)量越少越好。

回歸指標(biāo)
評(píng)估回歸性能的指標(biāo)如下：

1. 解釋方差得分：此指標(biāo)評(píng)估數(shù)據(jù)點(diǎn)的變化或離散度。

• 該指標(biāo)的公式如下所示：

python中的示例：

#從sklearn導(dǎo)入差異分?jǐn)?shù) 
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.最大誤差：此度量標(biāo)準(zhǔn)將計(jì)算真實(shí)值和預(yù)測(cè)值之間的最差值。

• 最大誤差的公式如下所示：

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.平均絕對(duì)誤差：此度量標(biāo)準(zhǔn)計(jì)算真實(shí)值和預(yù)測(cè)值之差的平均誤差。該度量對(duì)應(yīng)于l1-范數(shù)損失。

• 該指標(biāo)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.均方誤差：此度量標(biāo)準(zhǔn)計(jì)算二次誤差或損失。

• 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：此度量標(biāo)準(zhǔn)從均值或估計(jì)量（如擬合的回歸線）計(jì)算數(shù)據(jù)的分布。通常稱為“確定系數(shù)”。

• 該指標(biāo)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 

分類指標(biāo)

評(píng)估分類效果的指標(biāo)如下：

1. 準(zhǔn)確性得分：此度量標(biāo)準(zhǔn)計(jì)算真實(shí)值的準(zhǔn)確性等于預(yù)測(cè)值，然后返回分?jǐn)?shù)的分?jǐn)?shù)，否則，如果歸一化參數(shù)為FALSE，則它將返回真實(shí)預(yù)測(cè)值的總數(shù)。

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.分類報(bào)告：此度量標(biāo)準(zhǔn)計(jì)算的報(bào)告包含分類問題的精度，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.鉸鏈損耗：此損耗計(jì)算數(shù)據(jù)點(diǎn)和模型預(yù)測(cè)點(diǎn)之間的平均距離。SVM算法中也使用它來獲得最大邊際。

• 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 

結(jié)論：

這些都是從回歸和分類中評(píng)估模型性能的一些指標(biāo)。分類中有基于回歸，二元類和多類指標(biāo)的各種指標(biāo)。