您好,登錄后才能下訂單哦!
在Python中,有幾個常用的庫和函數(shù)可用于評估機(jī)器學(xué)習(xí)模型。以下是一些建議:
accuracy_score
來計算準(zhǔn)確率,confusion_matrix
來生成混淆矩陣,classification_report
來生成分類報告等。plot_confusion_matrix
函數(shù)來繪制混淆矩陣,plot_roc_curve
函數(shù)來繪制ROC曲線等。DataFrame.describe()
方法來獲取數(shù)據(jù)的描述性統(tǒng)計信息,DataFrame.groupby()
方法來進(jìn)行分組分析等。f1_score
、precision_score
、recall_score
等。這些函數(shù)可以幫助你更全面地評估模型的性能。cross_val_score
,網(wǎng)格搜索函數(shù)GridSearchCV
等。以下是一個簡單的例子,展示了如何使用scikit-learn庫來評估一個分類模型:
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report
import matplotlib.pyplot as plt
import seaborn as sns
# 加載數(shù)據(jù)集
iris = load_iris()
X = iris.data
y = iris.target
# 劃分訓(xùn)練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 訓(xùn)練模型
clf = RandomForestClassifier(n_estimators=100, random_state=42)
clf.fit(X_train, y_train)
# 預(yù)測
y_pred = clf.predict(X_test)
# 評估模型
print("Accuracy:", accuracy_score(y_test, y_pred))
print("Confusion Matrix:\n", confusion_matrix(y_test, y_pred))
print("Classification Report:\n", classification_report(y_test, y_pred))
# 繪制混淆矩陣
sns.heatmap(confusion_matrix(y_test, y_pred), annot=True, fmt='d')
plt.xlabel('Predicted')
plt.ylabel('True')
plt.show()
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進(jìn)行舉報,并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。