Python之算法评估-4

　　一、评估算法的方式分两种，一种是分类算法的评估，一种是回归算法的评估。为什么要分两种呢，因为分类算法中可以通过准确率、精准率、召回率、混淆矩阵、AUC来评估算法的准确度。但是在预测值的时候是没有办法去获得这个准确值（比如分类对了，那就对了，错了就是错了，可以通过对错来统计准确率），那么回归算法的方式，就通过均方误差来确认算法的准确度。

　　二、分类算法的评估（以K-近邻算法来说）

    knn = KNeighborsClassifier(n_neighbors=5)
    knn.fit(x_train, y_train)
    y_predict = knn.predict(x_test)
    print("预测值：", y_predict)
 
    # 5、评估
    # 评估
    score = knn.score(x_test, y_test)
    print("准确率：", score)

　　说明：可以通过predict()函数来预测结果

　　　　    source()来出来预测准确率（理解为真实预测数据/所有数据）

　　其中还有其他的值的算法过程，和进准率差不多。　

　　数据：
       　　预测值 0  预测值 1
　　真实值 0   TN          FP
　　真实值 1   FN          TP
　　精准率（precision）：
    　　              TP
    　　precision = ——————
    　　            TP + FP
　　召回率（recall）：
  　　             TP
    　　recall = ———————
       　　      TP + FN
　　模型的稳定性：
      　　        2TP        2precision * recall
    　　F1 = ————————————— = ———————————————————
     　　    2TP + FN + FP    precision + recall

　　三、均方误差

from sklearn.metrics import mean_squared_error
 
def mean_squared_error(y_true, y_pred,
                       sample_weight=None,
                       multioutput='uniform_average'):
    ...

　　主要参数，y_true,y_pred：真实值，预测值

　　公式：

                   1  m      _
            MSE = ——— ∑(yi - y)^2
                   m i=1
                      _
            yi：预测值 y：真实值
            一定要标准化之前的值

　　四、统一说明：在分类算法中准确率只是其中的一项，以越接近100%，越准确。回归算法中以MSE（均方误差值越小，越准确）