[Python数据分析] 7-模型评估

# I.理论部分
# 1.模型评估
	# 分类模型评估
	# 回归模型评估
	# 聚类模型评估
	# 关联模型评估

# I-1.分类模型评估
# 1.二分类（正类与负类）
# 概念：混淆矩阵
	# TP（True Positive）:实际为正，预测为正
	# FN（False Negative）:实际为正，预测为负（漏）
	# FP（False Positive）:实际为负，预测为正（错）
	# TN（True Negative）：实际为负，预测为负
# 关键指标：
	# 正确率-AccuarcyRate：(TP+TN)/(TP+TN+FN+FP)
	# 召回率-TPR（True Positive Rate/Recall）：TP/(TP+FN)
	# F-score:2*Recall*Accuracy/(Recall+Accuracy)
	# 查准率-Precision:TP/(TP+FP)
	# 错误接受率-FPR(False Positive Rate):FP/(FP+TN)
	# 错误拒绝率-FRR(False Rejection Rate):FN/(FN+TP)
# 2.多分类
# 概念：多元混淆矩阵
# 关键指标：
	# 正确率-AccuarcyRate：(TP+TN)/(TP+TN+FN+FP)
	# 召回率与F-socre
		# 1先计算所有的TP,FN等，再以二值方法进行计算(average=micro)
		# 2分别把每个类当做正类，都计算一个召回率或F-score,然后取加权（average=weighted）或者不加权的平均（average=macro）
# I-2.回归模型评估
# 关键指标：
	# 平均绝对误差-MAE(Mean Absolute Error)
	# 残差平方和-MSE(Mean Absolute Errir)
	# 残差平方和的开方-RMSE(Root MSE)：Sqrt(MSE)
	# 决定系数-R2_score：SSR/SST
# I-3.聚类模型评估
# 关键指标：
	# RMS(Root Mean Square)
	# 轮廓系数-silhouette_score
# I-3.关联模型评估
# 关键指标
	# 支持度
	# 置信度
	# 提升度