多分类模型评价方法有哪些_预测模型的评价标准

1、准确率

metrics.accuracy_score(y_true=y_true, y_pred=y_pred)

2、平均准确率

针对不平衡数据，对n个类，分别计算每个类别的准确率，然后求平均值。
metrics.average_precision_score(y_true=y_true, y_score=y_pred)

3、基于相似度的评价指标

3.1 log-loss

指示矩阵Y(N*K)，yi,k=1如果第i个数据属于第k类，否则yi,k=0。pi,k为预测概率。
metrics.log_loss(y_true,y_pred)

3.2 hamming_loss

metrics.hamming_loss(y_true, y_pred)

3.3 jaccard_similarity_score

metrics.jaccard_similarity_score(y_true, y_pred)

4、混淆矩阵

在混淆矩阵中的i，j指的是观察的数目i，预测为j。

metrics.confusion_matrix(y_true, y_pred)

5、分类报告

from sklearn.metrics import classification_report
y_true = [0, 1, 2, 2, 0]
y_pred = [0, 0, 2, 1, 0]
target_names = [‘class 0’, ‘class 1’, ‘class 2’]
print(classification_report(y_true, y_pred, target_names=target_names))

今天的文章多分类模型评价方法有哪些_预测模型的评价标准分享到此就结束了，感谢您的阅读，如果确实帮到您，您可以动动手指转发给其他人。