模型评估是机器学习中的关键步骤,它帮助我们从训练好的模型中提取有用信息,并判断模型的性能。在本教程中,我们将使用 Scikit-Learn 库来学习如何评估机器学习模型。
评估指标
在 Scikit-Learn 中,有多种评估指标可以使用,以下是一些常见的评估指标:
- 准确率(Accuracy):模型正确预测的样本数占总样本数的比例。
- 精确率(Precision):模型正确预测为正类的样本数占预测为正类样本总数的比例。
- 召回率(Recall):模型正确预测为正类的样本数占实际正类样本总数的比例。
- F1 分数:精确率和召回率的调和平均数。
示例代码
以下是一个使用 Scikit-Learn 评估逻辑回归模型的简单示例:
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
# 加载数据集
data = load_iris()
X = data.data
y = data.target
# 创建逻辑回归模型
model = LogisticRegression()
# 训练模型
model.fit(X, y)
# 预测
y_pred = model.predict(X)
# 计算评估指标
accuracy = accuracy_score(y, y_pred)
precision = precision_score(y, y_pred, average='macro')
recall = recall_score(y, y_pred, average='macro')
f1 = f1_score(y, y_pred, average='macro')
print(f"Accuracy: {accuracy}")
print(f"Precision: {precision}")
print(f"Recall: {recall}")
print(f"F1 Score: {f1}")
扩展阅读
如果您想了解更多关于模型评估的内容,可以阅读以下文章:
Scikit-Learn Logo