第七色在线视频,2021少妇久久久久久久久久,亚洲欧洲精品成人久久av18,亚洲国产精品特色大片观看完整版,孙宇晨将参加特朗普的晚宴

模型評(píng)估。

jupyter主題安裝

CSV 下載地址：https://github.com/weiwanling/TensorFlow_Experiment/tree/1241a064d780cdcf278e4f8edec0f7bbd9bc0aea

#?????True?Positives(TP):預(yù)測(cè)準(zhǔn)確、實(shí)際為正樣本的數(shù)量(實(shí)際為1,預(yù)測(cè)為1)
#?????True?Negatives(TN):預(yù)測(cè)準(zhǔn)確、實(shí)際為負(fù)樣本的數(shù)量(實(shí)際為0,預(yù)測(cè)為0)
#?????False?Positives(FP):預(yù)則錯(cuò)誤、實(shí)際為負(fù)樣本的數(shù)量(實(shí)際為0,預(yù)測(cè)為1)
#?????False?Negatives(FN):預(yù)測(cè)錯(cuò)誤、實(shí)際為正樣本的數(shù)量(實(shí)際為1,預(yù)測(cè)為0)
#?????準(zhǔn)確率????(TP+TN)/(TP+TN+FP+FN)??????????????整體樣本中，預(yù)測(cè)正確的比例
#?????錯(cuò)誤率???（FP+FN）/(TP+TN+FP+FN)??????????????整體樣本中，預(yù)測(cè)錯(cuò)誤的比例
#?????召回率????TP/(TP+FN)?????????????????????????正樣本中，預(yù)測(cè)正確的比例
#?????特異度????TN/(TN+FP)?????????????????????????負(fù)樣本中，預(yù)測(cè)正確的比例
#?????精確率????TP/(TP+FP)?????????????????????????預(yù)測(cè)結(jié)果為正樣本中，預(yù)測(cè)正確的比例
#?????F1分?jǐn)?shù)????2*精確率*召回率/(精確率+召回率)???????綜合精確率和召回率的指標(biāo)

#?????泥淆矩陣,又稱為誤差矩陣,用于衡量分類算法的準(zhǔn)確程度
#?????--------------------預(yù)測(cè)結(jié)果---------------------------------
#??????????????????0????????????????????????1
#?????實(shí)際??0?????True?Negatives(TN)???????False?Positives(FP)
#?????結(jié)果??1?????False?Negatives(FN)??????True?Positives(TP)
#?????------------------------------------------------------------
#?????True?Positives(TP):預(yù)測(cè)準(zhǔn)確、實(shí)際為正樣本的數(shù)量(實(shí)際為1,預(yù)測(cè)為1)
#?????True?Negatives(TN):預(yù)測(cè)準(zhǔn)確、實(shí)際為負(fù)樣本的數(shù)量(實(shí)際為0,預(yù)測(cè)為0)
#?????False?Positives(FP):預(yù)則錯(cuò)誤、實(shí)際為負(fù)樣本的數(shù)量(實(shí)際為0,預(yù)測(cè)為1)
#?????False?Negatives(FN):預(yù)測(cè)錯(cuò)誤、實(shí)際為正樣本的數(shù)量(實(shí)際為1,預(yù)測(cè)為0)

通過多個(gè)角度看模型評(píng)估的好壞

1. 邏輯回歸：計(jì)算概率判斷類別，應(yīng)用場(chǎng)景?二分類問題

2. 準(zhǔn)確率預(yù)測(cè)的局限性：準(zhǔn)確度存在空準(zhǔn)確率的問題（直接丟掉了負(fù)樣本，只關(guān)注正樣本）、沒有體現(xiàn)實(shí)際分布情況、沒有體現(xiàn)模型錯(cuò)誤預(yù)測(cè)類型

3. 混淆矩陣：又稱為誤差矩陣，衡量分類算法的準(zhǔn)確程度，含6個(gè)指標(biāo)

1. 數(shù)據(jù)分離：

   from sklearn.model_selection import train_test_split

   X_train, X_test, y_train, y_test = train_test_split(X,y,test_size = 0.4)

2. 定義一個(gè)k的范圍：k_range = list(range(1,26))

3. 定義變量存儲(chǔ)多個(gè)數(shù)據(jù)：score_train = []

4. 將單個(gè)數(shù)據(jù)存儲(chǔ)在范圍變量中：score_train.append(accuracy_score(y_train, y_train_pred))?

5. 定義一個(gè)循環(huán)：for k in k_range：

6. 以線的形式繪制一個(gè)對(duì)比圖：

   import matplotlib.pyplot as plt?

   %matplotlib inline

   plt.plot(k_range,score_test)

   plt.xlabel('K(Knn model)')

   plt.ylabel('test_accuracy')

7. 當(dāng)k=1的時(shí)候，模型是最復(fù)雜的