判定乙個模型是好是壞，應該從多個角度去評判
一般最常使用的是準確率，即**結果正確的百分比（正確個數/總個數）。api為:estimator.score()
其他標準：首先介紹混淆矩陣
混淆矩陣引出其他指標
精確率（查得準）：**結果為正例樣本中，真實結果為正例的比例 tp/(tp+fp)
召回率（查得全）：真實結果為正例樣本中，**結果為正例的比例 tp/(tp+fn)
調和均值：f1 = 2精確率召回率 /（精確率+召回率）
調和均值f1是精確率和召回率的調和平均數，最大為1，最小為0，反映了模型的穩健性
api：sklearn.metrics.classification_report(y_true,y_pred,target_names=none)
會返回每個類別的精確率和召回率
精確率和召回率
實際上非常簡單，精確率是針對我們 結果而言的，它表示的是 為正的樣本中有多少是真正的正樣本。那麼 為正就有兩種可能了，一種就是把正類 為正類 tp 另一種就是把負類 為正類 fp 也就是 而召回率是針對我們原來的樣本而言的，它表示的是樣本中的正例有多少被 正確了。那也有兩種可能，一種是把原來的正類 ...
精確率和召回率
例如 某池塘有1400條鯉魚，300只蝦，300只鱉。現在以捕鯉魚為目的。撒一大網，逮著了700條鯉魚，200只蝦，100只鱉。不妨看看如果把池子裡的所有的鯉魚 蝦和鱉都一網打盡，這些指標又有何變化 由此可見，正確率是評估捕獲的成果中目標成果所佔得比例 召回率，顧名思義，就是從關注領域中，召回目標類...
精確率和召回率
以下以二分類為例子進行說明 在了解精確率和召回率之前，我們先了解幾個概念 tp true positive 實際為正，分類器 為正 fp false positive 實際為負，分類器 為正 tn true negative 實際為負，分類器 為負 fn false negative 實際為正，分類...