另外在这个类的fit方法中，有一个参数是sample_weight。对这两个参数有一些认识，写篇文章记录一下。

1,verbose=1,callbacks=None,validation_split=0.0,validation_data=None,shuffle=True,class_weight=None,sample_weight

1.准确度（Accuracy）fromsklearn.metricsimportaccuracy_score(y_true,y_pred,normalize=True,sample_weight=None

https://stackoverflow.com/questions/48315094/using-sample-weight-in-keras-for-sequence-labelling2.注意事项sample_weight

样本权重是对损失函数来说的对于类别少的样本通过调节其对损失函数的影响程度来达到提高预测精度类型权重参数：class_weightclass_weight有什么作用？在分类模型中，我们经常会遇到两类问题：第一种是误分类的代价很高。比如对合法用户和非法用户进行分类，将非法用户分类为合法用户的代价很高，我们宁愿将合法用户分类为非法用户，这时可以人工再甄别，但是却不愿将非法用户分类为合法用户。这时，我们可

class_weight和sample_weight1、在SVC中对于不平衡数据可以调节svcl类中的参数class_weight和fit接口中的参数sample_weight如果只设置class_weight

=1,verbose=1,callbacks=None,validation_split=0.,validation_data=None,shuffle=True,class_weight=None,sample_weight

当使用Keras调用fit进行训练模型时，有时需要传入sample_weight参数。对于传入fit的为普通的输入输出序列数据时没有问题。但是当传入的数据时Datasent时就会报错。

百度了好久，没有找到与sample_weight相关的博客，于是自己摸索一下。

文章目录问题原因解决问题训练代码：model.fit(graph,y,sample_weight=train_mask,batch_size=NUM,epochs=1,shuffle=False,verbose

sklearn.metrics.explained_variance_scoreexplained_variance_score(y_true,y_pred,sample_weight=None,multioutput

python画precision-recall曲线的代码是：sklearn.metrics.precision_recall_curve(y_true,probas_pred,pos_label=None,sample_weight

决定系数R2sklearn.metrics中r2_score格式sklearn.metrics.r2_score(y_true,y_pred,sample_weight=None,multioutput

sklearn.metrics.roc_curve（）首先，需要使用sklearn.metrics.roc_curve()函数sklearn.metrics.roc_curve(y_true,y_score,pos_label=None,sample_weight

代码：fpr,tpr,thresholds=roc_curve(y_test,test_prob,pos_label=1,sample_weight=None,drop_intermediate=True

deffit(self,X,y,sample_weight=None):"""根据给定的训练数据拟合模型.参数----------X:{array-like,sparsematrix},shape(n_samples

函数声明：precision_score(y_true,y_pred,labels=None,pos_label=1,average='binary',sample_weight=None)其中较为常用的参数解释如下

sklearn的做法是加权，加权就要涉及到class_weight和sample_weight，当不设置该参数时，默认所有类别的权值为1。

精确率sklearn.metrics.precision_score(y_true,y_pred,labels=None,pos_label=1,average=’binary’,sample_weight

10,verbose=1,callbacks=None,validation_split=0.0,validation_data=None,shuffle=True,class_weight=None,sample_weight

sklearn.metrics.accuracy_score(y_true,y_pred,normalize=True,sample_weight=None)normalize：默认值为True，返回正确分类的比例

关于不平衡问题：当需要关注特定的某一类或特定的样本时，可以使用class_weight和sample_weight参数进行设置：1.SVC、NuSVC有可选参数class_weight，以字典的形式{dict

一、概述model.evaluate函数原型：evaluate(x=None,y=None,batch_size=None,verbose=1,sample_weight=None,steps=None

一、classification_report简介defclassification_report(y_true,y_pred,labels=None,target_names=None,sample_weight

Scikit-Learn中，评价指标计算可对每个样本施加权重，权重通过参数sample_weight指定。

①混淆矩阵：sklearn.metrics.confusion_matrix(y_true,y_pred,labels=None,sample_weight=None)参数说明：y_true：真实因变量值

1,verbose=1,callbacks=None,validation_split=0.0,validation_data=None,shuffle=True,class_weight=None,sample_weight

=10,verbose=1,callbacks=[],validation_split=0.0,validation_data=None,shuffle=True,class_weight=None,sample_weight

train_on_batch(self,x,y,class_weight=None,sample_weight=No

10,verbose=1,callbacks=None,validation_split=0.0,validation_data=None,shuffle=True,class_weight=None,sample_weight

简介这一节主要是为模型打补丁，在这之前笔者已经介绍并实现了几种典型的机器学习模型，比如线性回归、logistic回归、最大熵、感知机、svm等，但目前它们都有一个共性，那就是构造的损失函数对每个样本都是“一视同仁”的，即每个样本在损失函数中权重都是一样的，为了方便，可以将它们的损失函数做如下抽象：\[L(w,x,y)=\sum_{i=1}^Nl(w,x_i,y_i)\]这里\(L(\cdot)\)

1,verbose=1,callbacks=None,validation_split=0.0,validation_data=None,shuffle=True,class_weight=None,sample_weight

fromsklearnimportmetrics1.accuracy_score(y_true,y_pred,normalize=True,sample_weight=None)参数分别为y实际类别、预测类别

形式：sklearn.metrics.accuracy_score(y_true,y_pred,normalize=True,sample_weight=None)normalize：默认值为True，

搬运:https://stackoverflow.com/questions/57610804/when-is-the-timing-to-use-sample-weights-in-kerasimporttensorflowastfimportnumpyasnpdata_size=100input_size=3classes=3x_train=np.random.rand(data_size,i

目的：评估分类器准确性函数：sklearn.metrics.confusion_matrix(y_true,y_pred,labels=None,sample_weight=None)输入：y_true

MLevaluation.png1.准确度（Accuracy）fromsklearn.metricsimportaccuracy_score(y_true,y_pred,normalize=True,sample_weight

sklearn.metrics.average_precision_score(y_true,y_score,average=‘macro’,sample_weight=None)注意：此实现仅限于二进制分类任务或多标签分类任务

step：1.将标签转换为one-hot形式。2.将每一个one-hot标签中的1改为预设样本权重的值即可在Pytorch中使用样本权重。eg：对于单个样本：loss=-Q*log(P),如下：P=[0.1,0.2,0.4,0.3]Q=[0,0,1,0]loss=-Q*np.log(P)增加样本权重则为loss=-Q*log(P)*sample_weightP=[0.1,0.2,0.4,0.3]Q

sklearn.metrics.precision_score.html函数原型sklearn.metrics.precision_score(y_true,y_pred,labels=None,pos_label=1,average=’binary’,sample_weight

目的：评估分类器准确性函数：sklearn.metrics.confusion_matrix(y_true,y_pred,labels=None,sample_weight=None)输入：y_true

1,verbose=1,callbacks=None,validation_split=0.0,validation_data=None,shuffle=True,class_weight=None,sample_weight

计算均方误差回归损失格式：sklearn.metrics.mean_squared_error(y_true,y_pred,sample_weight=None,multioutput=’uniform_average

1,verbose=1,callbacks=None,validation_split=0.0,validation_data=None,shuffle=True,class_weight=None,sample_weight

evaluateevaluate(x=None,y=None,batch_size=None,verbose=1,sample_weight=None,steps=None)Returnsthel

10,verbose=1,callbacks=None,validation_split=0.0,validation_data=None,shuffle=True,class_weight=None,sample_weight

10,verbose=1,callbacks=None,validation_split=0.0,validation_data=None,shuffle=True,class_weight=None,sample_weight

sklearn.metrics.f1_score(y_true,y_pred,labels=None,pos_label=1,average=’binary’,sample_weight=None)[source

step:1.将标签转换为one-hot形式。2.将每一个one-hot标签中的1改为预设样本权重的值即可在Pytorch中使用样本权重。eg:对于单个样本：loss=-Q*log(P),如下：P=[0.1,0.2,0.4,0.3]Q=[0,0,1,0]loss=-Q*np.log(P)增加样本权重则为loss=-Q*log(P)*sample_weightP=[0.1,0.2,0.4,0.3]Q

fromsklearn.metricsimportclassification_report下面是官方文档的部分内容：classification_report(y_true,y_pred,labels=None,target_names=None,sample_weight