1.分类模型评估
–*1.1正确率
–*1.2召回率
–*1.3查准率（精准率）
2.回归模型评估
–*2.1MAE
–*2.2MSE
–*2.3RMSE
–*2.4R2_score决定系数
3.聚类模型评估
–*3.1RMS
–*3.2轮廓系数
–*3.3RMSE
–*3.4R2_score决定系数
4.关联模型评估
–*4.1支持度
–*4.2置信度
–*4.3提升度
1.分类模型评估
#导入正确率，召回率，精准率的模块
from sklearn.metrics import accuracy_score,recall_score,f1_score
1
2
1
2
1.1正确率
print("ACC",accuracy_score(Y,Y_pred))
1
1
1.2召回率
print("REC",recall_score(Y,Y_pred,average="micro"))
1
1
1.3查准率（精准率)
print("F-score",f1_score(Y,Y_pred,average="micro"))
1
1
2.回归模型评估
2.1MAE
残差
2.2MSE
常用的
2.3RMSE
对小的特征放大，比如0.0001的特征放大为0.01
公式是对MSE开根号
2.4R2_score（决定系数）
首先从公式也能看出来，这三个基本上是R^2算一类，然后MSE和MAE算另一类。为什么呢？因为R^2相当于是对所有的数据都会有一个相同的比较标准。也就是说你得到一个值0.9999，那就非常好（当然对不同的应用你对好的定义可能会不一样，比如某些你觉得0.6就够了，某些你要0.8）。而MAE和MSE就是数据相关了，范围可以非常大，你单纯根据一个值完全不知道效果怎么样。
3.聚类模型评估
3.1RMS
值越小，聚类的模型越好，值越大，聚类的模型越差
3.2轮廓系数
a(i)为样本i与簇内其他样本的平均距离
b(i)为样本i与其他样本的平均距离
值越趋近于1，证明聚类的模型越好
