Accuracy（準(zhǔn)確率）

概念：模型正確預(yù)測的樣本數(shù)量與總樣本數(shù)量的比例。
公式：Accuracy = (TP + TN) / (TP + TN + FP + FN)

TP (True Positives)：正確預(yù)測為正例的樣本數(shù)。即模型正確地將正例判定為正例。

TN (True Negatives)：正確預(yù)測為負(fù)例的樣本數(shù)。即模型正確地將負(fù)例判定為負(fù)例。

FP (False Positives)：錯誤預(yù)測為正例的樣本數(shù)。即模型錯誤地將負(fù)例判定為正例。

FN (False Negatives)：錯誤預(yù)測為負(fù)例的樣本數(shù)。即模型錯誤地將正例判定為負(fù)例。

代碼實現(xiàn)

from sklearn.metrics import accuracy_scorey_true = [0, 1, 1, 0, 1, 0]
y_pred = [0, 1, 0, 0, 1, 1]accuracy = accuracy_score(y_true, y_pred)
print("Accuracy:", accuracy)

Precision（精確度）

概念：被模型正確分類為正例的樣本數(shù)量與所有被模型分類為正例的樣本數(shù)量的比例。
公式：Precision = TP / (TP + FP)

代碼實現(xiàn)

from sklearn.metrics import precision_scoreprecision = precision_score(y_true, y_pred)
print("Precision:", precision)

Recall（召回率）

概念：在所有實際正例中，模型正確識別的比例。
公式：Recall = TP / (TP + FN)

代碼實現(xiàn)

from sklearn.metrics import recall_scorerecall = recall_score(y_true, y_pred)
print("Recall:", recall)

F1-Score

概念：綜合了模型的精確度和召回率，是一個更全面的指標(biāo)。
公式：F1 Score = 2 * (Precision * Recall) / (Precision + Recall)

代碼實現(xiàn)

from sklearn.metrics import f1_scoref1 = f1_score(y_true, y_pred)
print("F1-Score:", f1)

Time Taken（花費(fèi)時間）

這個指標(biāo)通常不是用公式來計算的，而是通過代碼中記錄開始時間和結(jié)束時間，然后計算時間差來得出。

Root Mean-Squared Error (RMSE)（均方根誤差）

概念：衡量模型預(yù)測值與真實值之間的平均差異。是均方誤差的平方根。
公式：RMSE = sqrt(MSE)

from sklearn.metrics import mean_squared_error
import numpy as npy_true = np.array([3.0, 2.5, 4.8])
y_pred = np.array([2.8, 2.7, 4.5])mse = mean_squared_error(y_true, y_pred)
rmse = np.sqrt(mse)
print("RMSE:", rmse)

Mean Absolute Error (MAE)（平均絕對誤差）

概念：衡量模型預(yù)測值與真實值之間的平均絕對差異。
公式：MAE = (|y_true - y_pred|) / n

from sklearn.metrics import mean_absolute_errormae = mean_absolute_error(y_true, y_pred)
print("MAE:", mae)

Log-loss/Cross-entropy loss（對數(shù)損失/交叉熵?fù)p失）

概念：衡量模型在預(yù)測概率時的準(zhǔn)確性。適用于二分類問題的交叉熵?fù)p失為對數(shù)損失。
公式：Log-loss = - (y_true * log(y_pred) + (1 - y_true) * log(1 - y_pred))

代碼實現(xiàn)

from sklearn.metrics import log_lossy_true = [0, 1, 1, 0]
y_pred = [0.2, 0.8, 0.7, 0.3]logloss = log_loss(y_true, y_pred)
print("Log-loss:", logloss)