Python机器学习--算法评估指标--各类型算法评估指标

各类型算法评估指标

算法评估指标简介

对于聚类,分类,回归三大算法类,有不同的算法评估指标,不同的评估指标.

• 聚类算法常用评估指标:轮廓系数 SSE(误差平方和)
• 分类算法常用评估指标:准确率,查准率,查全率,F1-score,PR曲线,ROC曲线和AUC指标,ROC曲线下的面积就是AUC指标.
• 回归算法的评估指标:R方范围[-inf,1] (真实值与预测 ),MSE,MAE,RMSE

手肘法获取K-means的最优K值

计算不同k值的SSE，绘制图像，选择图像拐点的k值相对是比较好的，由于图像画出来类似于手肘，所以叫手肘法，选取手肘拐点即可。手肘法选取的就是相对较好的点，也就相当于一个折中效果，使预测结果不会太差，防止过拟合现象的发生

获取最优轮廓系数

如果想要最优的点，还是要选取最高的点。
设置不同的k值进行测试计算轮廓系数，就能得到最优的k值对应的最优的轮廓系数，也可以绘图进行观察，选取最高。但是为了防止过拟合的现象，也可以通过手肘进行选取最优k值

from sklearn.cluster import KMeans
from sklearn.preprocessing import MaxAbsScaler  # 小数定标标准化
from sklearn.preprocessing import MinMaxScaler  # 离差标准化
from sklearn.preprocessing import StandardScaler  # 标准差标准化
# 评估指标-----轮廓系数
from sklearn.metrics import silhouetee_score

# 由于是聚类算法，数据可能存在量纲，需要标准化，在使用算法之前
# 实例化
sca = MaxAbsScaler()
sca = MinMaxScaler()
sca = StandardScaler()
# 拟合
sca.fit( 训练集特征 )
# 处理数据
X_train = sca.transform( 训练集特征 )


# 实例化
km = KMeans()
# 参数：
# n_clusters=3，表示k=3，也就是随机三个聚类中心，最小值是2
# init，聚类中心初始化方法，默认k-means++
# max_iter，最大迭代次数，默认300，如果后期无法收敛可以尝试增加迭代次数
# random_state=1，随机种子，默认是None

# 拟合
km.fit( 训练集特征 )

# 查看聚类中心
print('聚类中心：', km.cluster_centers_)

# 查看预测结果
# 可以直接传入训练集，也可以传入自定义二维数组
y_pred = km.predict( 训练集特征 )
print('整个数据的类别：', y_pred)

# 查看SSE---误差平方和
# 默认是取反操作，大多数情况得出来的是负值【-inf, 0】
# 绝对值越小越好
score = km.score(X_train, y_pred)
print('SSE', score)

# 评估指标----轮廓系数(-1, 1)，越大越好
print('轮廓系数：', silhouetee_score(X_train, y_pred))

回归算法评估指标—R2

R2也就是score,也就是我们在分类算法中经常说的准确率,在回归算法中不能称为准确率,成为R2.

其最好的结果就是u=0,即真实值等于预测值,此时R2等于1
比较差的结果就是u=v,预测结果为均值,也就是直接拿了真实结果取了个均值作为预测值,此时R2=均值
最差的结果就是u>>v,此时真实结果远大于预测结果,还不如直接拿均值作为预测结果,R2的范围为-inf.

回归算法评估指标—MSE

MSE观察的是真实结果和预测结果误差的平方的均值,也叫做均方误差.这种方式会将误差扩大一倍.

回归算法评估指标—MAE

MAE是平方的绝对误差,解决了MSE误差扩大的问题.

回归算法评估指标—RMSE

RMSE便是在MSE的结果上开平方了.

回归算法评估指标基于sklearn实现

from sklearn.datasets import load_boston
from sklearn.linear_model import Lasso  # 套索回归
from sklearn.linear_model import Ridge  # 岭回归
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error  # mse
from sklearn.metrics import mean_absolute_error  # mae
# RMSE 需要自己实现  np.sqrt(mse)
import numpy as np

out = load_boston()
X, y = out.data, out.target

X_train, X_test, y_train, y_test = train_test_split(X,
                                                    y,
                                                    test_size=0.2,
                                                    random_state=1,
                                                    )
 
# alpha  控制正则化的力度
# alpha=0  就 等于普通的线性回归
# alpha=1  就部分系数变为0
# alg = Lasso(alpha=100)


alg = Ridge(alpha=0)
alg.fit(X_train, y_train)

print("回归系数", alg.coef_)
print("回归截距", alg.intercept_)

print("R2", alg.score(X_test, y_test))

y_pred = alg.predict(X_test)
print("MSE", mean_squared_error(y_test, y_pred))
print("MAE", mean_absolute_error(y_test, y_pred))
print("RMSE", np.sqrt(mean_squared_error(y_test, y_pred)))

分类算法评估指标–查准率,查全率,F1-score

查准率,查全率,F1-score是基于混淆矩阵,在分类任务下,预测结果和真实结果存在四种不同组合关系,这四种不同结果构成了混淆矩阵

接下来解释一下这个混淆矩阵，它分为预测结果和真实结果

我们知道预测结果不一定全是对的，需要和真实结果来作比较，比如在真实结果中有5个正例，
95个反例；
真实结果：0 0 0 0 0 0 0 0…0 0 0 1 1 1 1 1
预测结果：0 0 0 0 0 0 0 0…1 1 1 1 1 1 0 0
1为要预测的值

那么在预测结果预测为正例中的3个预测正确的数据就是真正例TP
在预测结果中预测为正例中的3个预测错误的数据就是伪正例FP
在预测结果中预测为反例(N)中的2个预测错误的数据就是伪反例FN
在预测结果中预测为反例中的92个预测正确的数据就是真反例TN

查准率(精确率,precision)

即预测结果中为1的6个中有几个是预测正确的，在混淆矩阵中精准率为TP/( TP+FP )

查全率(召回率,recall)

即真实结果中为1的5个中预测出了几个正确的，在混淆矩阵中召回率为TP/( TP+FN )

分类算法评估指标–f1-score

f1-score计算公式
f1=2*PR/(P+R)
原理是计算了各类精准率和召回率的均值,在不同算法下精准率和召回率不太好选择时使用f1-score

分类算法评估指标–分类报告

分类报告的返回值：返回各类的精准率，召回率，f1-score，和数据数量，accuracy为准确率，macro avg为均值，weighted avg为加权平均【（420.93+720.95）/114】
但是从中拿去数据还是比较麻烦的，大多数做观察使用

分类算法评估指标–PR曲线

用于比较多种不同的算法预测结果的好坏程度，精准率P做y轴，召回率R做x轴，给出不同的正类范围绘出不同的P和R绘制曲线，根据面积的大小来判断算法的好坏

在PR曲线中，表示的精准率和召回率，在分类任务中，往往是随着精准率的逐渐增大，召回率是逐渐减小的，所以需要在PR曲线中找到他们的近似的平衡点，才能代表相对较好的结果

分类算法评估指标–ROC曲线和AUC指标

又叫受试者工作特征，和PR曲线比较类似，但是它是以类1的召回率（真正例率）TPR=TP/( TP+FN )作为y轴，以1 - 类0的召回率（假正例率）FPR=FP/(TN+FP)=1 - [ TN/(TN+FP) ]。
ROC曲线则是假正例率趋于0，真正例率趋于1的时候是最好的点，也就是说类1的召回率和类0的召回率都趋近于1时效果最好。
AUC指标为ROC曲线下的面积

分类算法评估指标基于sklearn实现

from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
from sklearn.naive_bayes import BernoulliNB
from sklearn.metrics import confusion_matrix
from sklearn.metrics import precision_score  # 精确率  查准率P
from sklearn.metrics import recall_score  # 查全率  召回率  R
from sklearn.metrics import f1_score  # f1-score
from sklearn.metrics import classification_report
from sklearn.metrics import plot_precision_recall_curve
from sklearn.metrics import plot_roc_curve
import matplotlib.pyplot as plt

out = load_breast_cancer()  # 返回的是字典
#
# print(out.keys())
#
# print("数据集的描述\n", out.DESCR)
# 569 样本  30个属性

X, y = out.data, out.target

"""
WDBC-Malignant  恶性  212 =====0
WDBC-Benign 良性  357   ====== 1
"""

# 1. 拆分数据集
X_train, X_test, y_train, y_test = train_test_split(X,
                                                    y,
                                                    test_size=0.2,
                                                    stratify=y,
                                                    random_state=1)
# 2. 输入算法
alg = GaussianNB()
alg.fit(X_train, y_train)

y_pred = alg.predict(X_test)
tn, fp, fn, tp = confusion_matrix(y_test, y_pred).ravel()
print("恶性肿瘤的查全率", tn / (tn + fp), tn, (tn + fp))
# 测试集中 恶性肿瘤有42 ----找出38人
print("恶性肿瘤的查准率", tn / (tn + fn), tn, (tn + fn))
# 预测为恶性的有41个人，真的是恶性有38人

# ---------------------------------
# 输出每个类别的查准率
print("查准率", precision_score(y_test, y_pred, average=None))
print("查全率", recall_score(y_test, y_pred, average=None))
print("f1-score", f1_score(y_test, y_pred, average=None))

# 没有设置average，默认是关注类1
print("f1-score", f1_score(y_test, y_pred))

print("分类报告\n", classification_report(y_test, y_pred))


# 参数estimator 算法对象
alg1 = BernoulliNB()
alg1.fit(X_train, y_train)
plot_precision_recall_curve(alg, X_test, y_test)
plot_precision_recall_curve(alg1, X_test, y_test)
plt.show()


plot_roc_curve(alg, X_test, y_test)
plt.title("ROC")
plt.show()