使用 sklearn 完成对模型分类性能的评估 Educoder

accu\fracy_score

sklearn 提供了计算准确度的接口 accu\fracy_score。其中参数如下：
y_true：为样本真实标签，类型为一维的 ndarray 或者 list；
y_pred：为模型预测标签，类型为一维的 ndarray 或者 list。
示例代码如下：
from sklearn.metrics import accu\fracy_score

precision_score

sklearn 提供了计算精准率的接口 precision_score 。其中参数如下：
y_true：为样本真实标签，类型为一维的 ndarray 或者 list；
y_pred：为模型预测标签，类型为一维的 ndarray 或者 list；
pos_label：用什么值表示 Positive，默认为 1。
示例代码如下：
from sklearn.metrics import precision_score

recall_score

sklearn 提供了计算召回率的接口 recall_score 。其中参数如下：
y_true：为样本真实标签，类型为一维的 ndarray 或者 list；
y_pred：为模型预测标签，类型为一维的 ndarray 或者 list；
pos_label：用什么值表示 Positive ，默认为 1。
示例代码如下：
from sklearn.metrics import recall_score

f1_score

sklearn 提供了计算 F1 Score 的接口 f1_score 。其中参数如下：
y_true：为样本真实标签，类型为一维的 ndarray 或者 list；
y_pred：为模型预测标签，类型为一维的 ndarray 或者 list；
pos_label：用什么值表示 Positive ，默认为 1。
示例代码如下：
from sklearn.metrics import f1_score

roc_auc_score

sklearn 提供了计算 AUC 的接口 roc_auc_score 。其中参数如下：
y_true：为样本真实标签，类型为一维的 ndarray 或者 list；
y_score：为模型预测样本为 Positive 的概率，类型为一维的 ndarray 或者 list。(并非与上面共同的y_pred)
示例代码如下：

import numpy as np
from sklearn.metrics import roc_auc_score


#y_true为真实标签，y_predict为预测标签


y_true = [1, 0, 0, 1]
y_predict = [1, 0, 1, 0]

print(accu\fracy_score(y_true, y_predict))

第十关通关代码

from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, roc_auc_score

def classification_performance(y_true, y_pred, y_prob):
    '''
    返回准确度、精准率、召回率、f1 Score和AUC
    :param y_true:样本的真实类别，类型为`ndarray`
    :param y_pred:模型预测出的类别，类型为`ndarray`
    :param y_prob:模型预测样本为`Positive`的概率，类型为`ndarray`
    '''
    #********* Begin *********#
    a=accuracy_score(y_true,y_pred)
    b=precision_score(y_true,y_pred)
    c=recall_score(y_true,y_pred)
    d=f1_score(y_true,y_pred)
    e=roc_auc_score(y_true,y_prob)
    return (a,b,c,d,e)
    #********* End *********#