sklearn 评估模型 常用函数

`sklearn.metrics` 是 scikit-learn 库中的一个模块，它提供了许多用于评估预测模型性能的指标和工具。这些指标和工具可以帮助你了解模型在训练集和测试集上的表现，以及模型是否能够很好地泛化到未见过的数据。

以下是一些 `sklearn.metrics` 中常用的函数和指标：

1. **分类指标**：

- `accuracy_score`: 计算分类准确率。

- `classification_report`: 显示主要分类指标的文本报告，包括精确度、召回率、F1 分数等。

- `confusion_matrix`: 计算混淆矩阵，用于评估分类模型的性能。

- `precision_score`: 计算精确度。

- `recall_score`: 计算召回率。

- `f1_score`: 计算 F1 分数（精确度和召回率的调和平均数）。

- `roc_auc_score`: 计算接收者操作特性（ROC）曲线下的面积（AUC）。

2. **回归指标**：

- `mean_squared_error`: 计算均方误差（MSE）。

- `mean_absolute_error`: 计算平均绝对误差（MAE）。

- `r2_score`: 计算 R² 分数，即决定系数。

3. **聚类指标**：

- `silhouette_score`: 计算轮廓系数，用于评估聚类效果。

- `calinski_harabasz_score`: 计算 Calinski-Harabasz 指数，用于评估聚类效果。 - `davies_bouldin_score`: 计算 Davies-Bouldin 指数，用于评估聚类效果。

4. **配对指标**：

- `pairwise_distances`: 计算数据集中每对样本之间的距离

 - `pairwise_kernels`: 计算样本对之间的内核相似度。

 5. **其他**：

- `make_scorer`: 创建一个自定义的评分函数。

- `check_consistent_length`: 检查多个数组是否具有一致的长度

 使用 `sklearn.metrics` 中的函数时，通常需要将真实标签（`y_true`）和模型预测的标签（`y_pred`）作为参数传入。这些函数会返回相应的评估指标值，帮助你了解模型的性能。