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 zápornéTahák · 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.