Què són les mètriques de Sklearn a Python?
Què són les mètriques de Sklearn a Python?

Vídeo: Què són les mètriques de Sklearn a Python?

Vídeo: Què són les mètriques de Sklearn a Python?
Vídeo: Scikit Learn Tutorial | Machine Learning with Python | Python for Data Science Training | Edureka 2024, Abril
Anonim

El sklearn . mètriques El mòdul implementa diverses funcions de pèrdua, puntuació i utilitat per mesurar el rendiment de la classificació. Alguns mètriques pot requerir estimacions de probabilitat de la classe positiva, valors de confiança o valors de decisions binaris.

Tenint-ho en compte, què és Sklearn a Python?

Scikit-aprendre és una biblioteca gratuïta d'aprenentatge automàtic per a Python . Compta amb diversos algorismes com ara màquina vectorial de suport, boscos aleatoris i k-neighbours, i també admet Python biblioteques numèriques i científiques com NumPy i SciPy.

Posteriorment, la pregunta és, què és Neg_mean_squared_error? Tots els objectes anotadors segueixen la convenció que els valors de rendiment més alts són millors que els valors de rendiment més baixos. Així, mètriques que mesuren la distància entre el model i les dades, com les mètriques. mean_squared_error, estan disponibles com a neg_mean_squared_error que retornen el valor negat de la mètrica.

A més, quina és la puntuació de precisió a Sklearn?

Precisió classificació puntuació . En la classificació multietiqueta, aquesta funció calcula el subconjunt precisió : el conjunt d'etiquetes previst per a una mostra ha de coincidir exactament amb el conjunt d'etiquetes corresponent a y_true. En la classificació binària i multiclasse, aquesta funció és igual a la funció jaccard_score.

Quina és la puntuació f1 a Python?

Calcula el Puntuació F1 , també conegut com a F equilibrat puntuació o mesura F. El Puntuació F1 es pot interpretar com una mitjana ponderada de la precisió i el record, on an Puntuació F1 assoleix el seu millor valor a 1 i el pitjor puntuació a 0. La contribució relativa de precisió i record a la Puntuació F1 són iguals.

Recomanat: