Was sind Sklearn-Metriken in Python?
Was sind Sklearn-Metriken in Python?

Video: Was sind Sklearn-Metriken in Python?

Video: Was sind Sklearn-Metriken in Python?
Video: Scikit-learn Crash Course - Machine Learning Library for Python 2024, April
Anonim

Die sklearn . Metriken -Modul implementiert mehrere Verlust-, Bewertungs- und Nutzenfunktionen, um die Klassifikationsleistung zu messen. Etwas Metriken kann Wahrscheinlichkeitsschätzungen der positiven Klasse, Konfidenzwerte oder binäre Entscheidungswerte erfordern.

Wenn man dies berücksichtigt, was ist Sklearn in Python?

Scikit-Lernen ist eine kostenlose Bibliothek für maschinelles Lernen für Python . Es verfügt über verschiedene Algorithmen wie Support Vector Machine, Random Forests und K-Neighbours und unterstützt auch Python numerische und wissenschaftliche Bibliotheken wie NumPy und SciPy.

Anschließend stellt sich die Frage, was ist Neg_mean_squared_error? Alle Scorer-Objekte folgen der Konvention, dass höhere Rückgabewerte besser sind als niedrigere Rückgabewerte. Also Metriken, die den Abstand zwischen dem Modell und den Daten messen, wie Metriken. mean_squared_error, sind verfügbar als neg_mean_squared_error die den negierten Wert der Metrik zurückgeben.

Was ist außerdem die Genauigkeitsbewertung in Sklearn?

Genauigkeit Einstufung Spielstand . Bei der Multilabel-Klassifizierung berechnet diese Funktion die Teilmenge Richtigkeit : Der für eine Probe vorhergesagte Satz von Labels muss genau mit dem entsprechenden Satz von Labels in y_true übereinstimmen. Bei der Binär- und Mehrklassenklassifizierung entspricht diese Funktion der jaccard_score-Funktion.

Was ist der f1-Score in Python?

Berechnen Sie die F1-Ergebnis , auch bekannt als ausgeglichenes F- Spielstand oder F-Maß. Die F1-Ergebnis kann als gewichteter Durchschnitt von Präzision und Wiedererkennungswert interpretiert werden, wobei an F1-Ergebnis erreicht seinen besten Wert bei 1 und den schlechtesten Spielstand bei 0. Der relative Beitrag von Präzision und Erinnerung zum F1-Ergebnis sind gleich.

Empfohlen: