本文介绍: 在Scikit-Learn中,cross_val_score函数支持多种不同的评分标准(scoring参数)。这些评分标准各有其适用场景和特点。选择哪种评分标准取决于你的具体任务和模型评估的需求。例如,在回归任务中,如果你关心预测误差的大小,可以选择neg_mean_squared_error或neg_mean_absolute_error;而如果你关心模型解释的方差比例,可以选择r2。
在Scikit-Learn中,cross_val_score函数支持多种不同的评分标准(scoring参数)。以下是一些常见的评分标准及其应用场景:
参考链接:
https://blog.csdn.net/worther/article/details/126909270
-
accuracy: 准确率 roc_auc, roc_auc_ovo, roc_auc_ovr: ROC曲线下面积 average_precision: 平均精度 f1, f1_macro, f1_micro, f1_weighted: F1分数 precision, precision_macro, precision_micro, precision_weighted: 精度 recall, recall_macro, recall_micro, recall_weighted: 召回率 balanced_accuracy: 平衡准确率
-
neg_mean_squared_error: 均方误差(负值) neg_mean_absolute_error: 平均绝对误差(负值) neg_root_mean_squared_error: 均方根误差(负值) neg_median_absolute_error: 中位绝对误差(负值) r2: 决定系数(R²) explained_variance: 解释方差 max_error: 最大误差
-
adjusted_rand_score: 调整后的Rand指数 homogeneity_score: 同质性得分 completeness_score: 完整性得分 v_measure_score: V-measure得分 adjusted_mutual_info_score: 调整后的互信息得分 normalized_mutual_info_score: 标准化互信息得分
这些评分标准各有其适用场景和特点。选择哪种评分标准取决于你的具体任务和模型评估的需求。例如,在回归任务中,如果你关心预测误差的大小,可以选择neg_mean_squared_error或neg_mean_absolute_error;而如果你关心模型解释的方差比例,可以选择r2。
每文一语
加油
原文地址:https://blog.csdn.net/weixin_47723732/article/details/134690679
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。
如若转载,请注明出处:http://www.7code.cn/show_29454.html
如若内容造成侵权/违法违规/事实不符,请联系代码007邮箱:suwngjj01@126.com进行投诉反馈,一经查实,立即删除!
声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。