模型评估是机器学习过程中至关重要的环节，它可以帮助我们了解模型的性能和效果。以下是一些常用的模型评估方法：
常用评估指标
- 准确率（Accuracy）：模型预测正确的样本数占总样本数的比例。
- 召回率（Recall）：模型预测正确的正样本数占所有正样本的比例。
- 精确率（Precision）：模型预测正确的正样本数占预测为正样本的总数比例。
- F1 分数（F1 Score）：精确率和召回率的调和平均数。
评估方法
- 交叉验证（Cross-validation）：将数据集分成 K 个小组，然后进行 K 次训练和验证，每次使用不同的 K 个小组作为验证集。
- 混淆矩阵（Confusion Matrix）：展示模型预测结果和真实结果的对比情况。
示例代码
from sklearn.metrics import accuracy_score, recall_score, precision_score, f1_score
# 假设 y_true 是真实标签，y_pred 是模型预测结果
y_true = [0, 1, 1, 0, 1, 0, 1, 0, 0, 1]
y_pred = [0, 1, 1, 0, 1, 0, 1, 0, 0, 0]
print("准确率:", accuracy_score(y_true, y_pred))
print("召回率:", recall_score(y_true, y_pred))
print("精确率:", precision_score(y_true, y_pred))
print("F1 分数:", f1_score(y_true, y_pred))
Confusion Matrix