1、混淆矩阵 一般情况下,分类器的好坏是通过错误率来衡量的。错误率指的是在测试数据中错误分类的样本所占比例。然而,这样进行度量掩盖了样例如何被分错的原因。 三类问题混淆矩阵示例: 当该矩阵中非对角元素均为0,那么就会得到完美的分类器。 二分类混淆矩阵: 在分类中,当某个类别的
# -*- coding: utf-8 -*- import numpy as np import matplotlib.pyplot as plt from sklearn import svm, datasets from sklearn.metrics import roc_curve, auc ###计算roc和auc from sklearn import cross_validation from pandas import DataFrame,Series impo
一、概述 KS(Kolmogorov-Smirnov)评价指标,通过衡量好坏样本累计分布之间的差值,来评估模型的风险区分能力。 KS、AUC、PR曲线对比: 1)ks和AUC一样,都是利用TPR、FPR两个指标来评价模型的整体训练效果。 2)不同之处在于,ks取的是TPR和FPR差值的最大值;AUC只评价了模型的整体训练效果,并没有指