机器学习-分类算法评估标准

赛丽曼2025-01-23 20:42

一. 准确率 accuracy

将预测结果和测试集的目标值比较，计算预测正确的百分比

准确率越高说明模型效果越好

python 复制代码

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
#加载鸢尾花数据
X,y = datasets.load_iris(return_X_y = True)
#训练集 测试集划分
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2)
# 创建KNN分类器对象 近邻数为6
knn_clf = KNeighborsClassifier(n_neighbors=6)
#训练集训练模型
knn_clf.fit(X_train,y_train)
#使用训练好的模型进行预测
y_predict = knn_clf.predict(X_test)

计算准确率：

python 复制代码

sum(y_predict == y_test) / len(y_test)

0.9333333333333333
sklearn.metrics包中的accuracy_score方法: 传入预测结果和测试集的标签，返回预测准去率

python 复制代码

from sklearn.metrics import accuracy_score
accuracy_score(y_test, y_predict)

0.9333333333333333
分类模型对象的 score 方法：传入测试集特征值，测试集目标值

python 复制代码

knn_clf.score(X_test, y_test)

0.9333333333333333