[置顶] 【数据建模 分类器性能指标】性能测评
2017-11-06 17:20
351 查看
表示分类正确:
True Positive:本来是正样例,分类成正样例。
True Negative:本来是负样例,分类成负样例。
表示分类错误:
False Positive :本来是负样例,分类成正样例,通常叫误报。
False Negative:本来是正样例,分类成负样例,通常叫漏报。
准确度 :
真正类率(True Postive Rate)TPR: TP/(TP+FN),代表分类器预测的正类中实际正实例占
所有正实例的比例。Sensitivity
负正类率(False Postive Rate)FPR: FP/(FP+TN),代表分类器预测的正类中实际负实例
占所有负实例的比例。1-Specificity
真负类率(True Negative Rate)TNR: TN/(FP+TN),代表分类器预测的负类中实际负实例
占所有负实例的比例,TNR=1-FPR。Specificity
真正类率(True Postive Rate)TPR就是查全率
分类器给出针对每个实例为正类的概率,那么通过设定一个阈值如0.6,概率大于等于0.6的为正类,小于0.6的为负类。对应的就可以算出一组(FPR,TPR),在平面中得到对应坐标点。随着阈值的逐渐减小,越来越多的实例被划分为正类,但是这些正类中同样也掺杂着真正的负实例,即TPR和FPR会同时增大。阈值最大时,对应坐标点为(0,0),阈值最小时,对应坐标点(1,1)。
AUC是图中曲线下方的面积,值越大,分类效果越佳
通常情况下AUC越大学习器的效果越好。,即若一个学习器的ROC曲线被另外一个学习器曲线完全包住,那么可以断言,后一个学习器的性能优于前者。如果发生交叉则难以比较,如果非要比较,比较合理的判断是比较ROC下的面积即AUC大小。
附录:GBDT代码
from sklearn.model_selection import train_test_split from sklearn import ensemble,cross_validation, metrics X_train, X_test, y_train, y_test = train_test_split(modelData[allFeatures],modelData['CHURN_CUST_IND'], test_size=0.5,random_state=9) y_train.value_counts() #try 1: using default parameter gbm0 = GradientBoostingClassifier(random_state=10) gbm0.fit(X_train,y_train) y_pred = gbm0.predict(X_test) y_predprob = gbm0.predict_proba(X_test)[:,1]##输出所有样本属于0和1的概率,这里选择输出样本属于1的概率 print "Accuracy : %.4g" % metrics.accuracy_score(y_test, y_pred) print "AUC Score (Testing): %f" % metrics.roc_auc_score(y_test, y_predprob) y_pred2 = gbm0.predict(X_train) y_predprob2 = gbm0.predict_proba(X_train)[:,1] print "Accuracy : %.4g" % metrics.accuracy_score(y_train, y_pred2) print "AUC Score (Testing): %f" % metrics.roc_auc_score(y_train, y_predprob2)
相关文章推荐
- [置顶] 【Mycat】数据库性能提升利器(一)——Mycat数据切分
- Python解析LR Analyse Result并生成性能指标数据的汇总报告
- 分类器性能指标之ROC曲线、AUC值
- 分类器性能指标
- 数据不平衡时分类器性能评价(ROC曲线)
- [置顶] 【数据建模 IV】特征信息度
- 机器学习之分类器性能指标之ROC曲线、AUC值
- [置顶] 【数据建模 方差分析】单因素方差分析
- Spark做数据分析:输入法性能指标分析
- 机器学习中分类器的性能评价指标
- 分类器的常用性能指标的通俗释义
- [置顶] Spark性能优化之道——解决Spark数据倾斜(Data Skew)的N种姿势
- 机器学习知识点(三十六)分类器性能度量指标f1-score
- Oracle性能优化实战 修改版(改正原有测试的指标数据)
- [置顶] 【mysql 性能关键指标】获取mysql关键性指标
- [置顶] 【数据建模 卡方检验】了解卡方检验
- [置顶] UWA GOT 上线 | 原来本地化性能测评也可以So Easy!
- 训练数据对分类器性能的影响
- 数据挖掘-分类器的ROC曲线及相关指标(ROC、AUC、ACC)详解
- [置顶] Python3《机器学习实战》学习笔记(十):提升分类器性能利器-AdaBoost