# python数据分析之模型评估-第九次笔记
* * *
#### 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
```code
#导入正确率，召回率，精准率的模块
from sklearn.metrics import accuracy_score,recall_score,f1_score
[/code]
#### 1.1正确率
```code
print("ACC",accuracy_score(Y,Y_pred))
[/code]
#### 1.2召回率
```code
print("REC",recall_score(Y,Y_pred,average="micro"))
[/code]
#### 1.3查准率（精准率)
```code
print("F-score",f1_score(Y,Y_pred,average="micro"))
[/code]
### 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
### 4.关联模型评估
#### 4.1支持度
#### 4.2置信度
#### 4.3提升度
关联模型评估可以参考，我之前写的
python数据分析之聚类模型与半监督学习-第八次笔记
[
]()
python数据分析的笔记就到这里了，接下来作者准备学习：python的opencv+tensorflow模块图像处理，希望喜欢作者的小伙伴，可以多多支持哦，有什么不足的，欢迎大家留言哦。谢谢大家的观看。
模型评估的笔记：
![在这里插入图片描述]()
```
