建模之常见模型评估指标（Keras, Sklearn, R）-白红宇的个人博客

发布日期：2022-02-14 23:02:55 浏览次数：45 分类：技术文章

本文共 3700 字，大约阅读时间需要 12 分钟。

相同算法请见

序号	概况	表达式	场景
1	分类准确率	预测正确个数的占比	分类	keras.metrics.Accuracy accuracy	sklearn.metrics.accuracy_score	Accuracy
2	二分类准确率	同上	分类	keras.metrics.BinaryAccuracy keras.metrics.binary_accuracy binary_accuracy
3	多分类准确率	同上	分类	keras.metrics.CategoricalAccuracy categorical_accuracy
4		目标在前K个预测中的频率		keras.metrics.TopKCategoricalAccuracy top_k_categorical_accuracy
5		整数目标在前K个预测中的频率		keras.metrics.SparseTopKCategoricalAccuracy sparse_top_k_categorical_accuracy
6	交叉熵	同损失函数		keras.metrics.BinaryCrossentropy binary_crossentropy	同损失函数
7	交叉熵	同损失函数		keras.metrics.CategoricalCrossentropy categorical_crossentropy	同损失函数
8	交叉熵	同损失函数		keras.metrics.SparseCategoricalCrossentropy sparse_categorical_crossentropy	同损失函数
9	KL散度	同损失函数		keras.metrics.KLDivergence kullback_leibler_divergence	同损失函数
10	poisson	同损失函数		keras.metrics.Poisson poisson	同损失函数
11	mse	同损失函数	回归	keras.metrics.MeanSquaredError mean_squared_error	同损失函数
12	rmse	同损失函数	回归	keras.metrics.RootMeanSquaredError root_mean_squared_error	同损失函数
13	mae	同损失函数	回归	keras.metrics.MeanAbsoluteError mean_absolute_error	同损失函数
14	mape	同损失函数	回归/时序	keras.metrics.MeanAbsolutePercentageError mean_absolute_percentage_error	同损失函数
15	msle	同损失函数	回归	keras.metrics.MeanSquaredLogarithmicError mean_squared_logarithmic_error	同损失函数
16	余弦相似度	同损失函数		keras.metrics.CosineSimilarity cosine_similarity	同损失函数
17		同损失函数		keras.metrics.LogCoshError logcosh	同损失函数
18		$\frac{\sum(I(p_{pos}, p_{neg}))}{pos \times neg}$ $if\ p_{pos} \gt p_{neg}: I(p_{pos}, p_{neg}) = 1$ $if\ p_{pos} = p_{neg}: I(p_{pos}, p_{neg}) = 0.5$ $if\ p_{pos} \lt p_{neg}: I(p_{pos}, p_{neg}) = 0$	分类	keras.metrics.AUC	sklearn.metrics.auc	AUC
19	TP：正预测为正（预测正确）		分类	keras.metrics.TruePositives
20	TN：负预测为负（预测正确）		分类	keras.metrics.TrueNegatives
21	FP：负预测为正（预测错误）		分类	keras.metrics.FalsePositives
22	FN：正预测为负（预测错误）		分类	keras.metrics.FalseNegatives
23	：预测结果为正的准确率	$\frac{TP}{TP + FP}$	分类	keras.metrics.Precision	sklearn.metrics.precision_score	Precision
24	：正样本预测的准确率	$\frac{TP}{TP + FN}$		keras.metrics.Recall	sklearn.metrics.recall_score	Recall
25	特异度(specificity)/TNR：负样本预测的准确率	$\frac{TN}{TN + FP }$	分类
26	敏感度(sensitivity)/NPV：预测结果为负的准确率	$\frac{TN}{TN + FN }$	分类
27	召回率 >= recall时的准确率		分类	keras.metrics.PrecisionAtRecall(recall)	sklearn.metrics.precision_recall_curve
28	特异度 >= specificity时的敏感率		分类	keras.metrics.SensitivityAtSpecificity(specificity)
29	敏感度 >= sensitivity时的特异度		分类	keras.metrics.SpecificityAtSensitivity(sensitivity)
30	， $F_\beta$ 的特殊形式( $\beta=1$ )	$\frac{2 \times \text{准确率} \times \text{召回率}}{\text{准确率} + \text{召回率}}$	分类		sklearn.metrics.f1_score	F1_Score
31		$\frac{\sum(y - \hat{y})^2}{\sum(y - \overline{y})^2}$	回归		sklearn.metrics.r2_score	R2_Score
32		$\frac{\text{召回率} + \text{特异度}}{2}$	分类		sklearn.metrics.balanced_accuracy_score
33		$\overline{(\hat{y} - y)^2}$	分类		sklearn.metrics.brier_score_loss
34		$\frac{(1 + \beta^2) \times \text{准确率} \times \text{召回率}}{\beta^2 \times \text{准确率} + \text{召回率}}$	分类		sklearn.metrics.fbeta_score	FBeta_Score
35			分类		sklearn.metrics.roc_curve
36		$\frac{\text{Var}(y - \hat{y})}{\text{Var}(y)}$	回归		sklearn.metrics.explained_variance_score

转载地址：https://blog.csdn.net/fish2009122/article/details/108037833 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！

上一篇：建模之常见激活函数（Keras，tf2）

下一篇：ClickHouse & OLAP

发表评论

关于作者

喝酒易醉，品茶养心，人生如梦，品茶悟道，何以解忧？唯有杜康！

-- 愿君每日到此一游！

相同算法请见

发表评论

最新留言

关于作者

推荐文章