0 dní v řadě · 0 bodů

Tahák · Python · Strojové učení

Metriky: přesnost nestačí

Matice záměn, precision, recall, F1, volba prahu, ROC a PR křivky. Jak poznat, že model s vysokou přesností je ve skutečnosti k ničemu.

Otevřít celou lekciVšechny taháky
python
from sklearn.metrics import *

confusion_matrix(y, pred)           # [[TN, FP], [FN, TP]]
precision_score(y, pred)            # TP / (TP + FP)
recall_score(y, pred)               # TP / (TP + FN)
f1_score(y, pred, average="macro")  # binary, macro, micro, weighted
classification_report(y, pred)

roc_auc_score(y, p)                 # P(pozitivní > negativní)
average_precision_score(y, p)       # lepší u vzácných jevů
pred = p >= prah                    # práh volí validace a ceny chyb

mean_absolute_error(y, yhat)        # MAE
root_mean_squared_error(y, yhat)    # RMSE, od verze 1.4
r2_score(y, yhat)                   # R², může být záporné