模型的评估方式

一、分类评估指标：

1.二分类评估方式：包含召回率（查全率）、精确率（查准率）、f1-score

from sklearn.metrics import accuracy_score
from sklearn.metrics import recall_score
from sklearn.metrics import precision_score
from sklearn.metrics import f1_score
print ("准确率为：" ,accuracy_score(y_test, y_predict))
print ("召回率为：" ,recall_score(y_test, y_predict, average='macro'))
print ("精确率为：" ,precision_score(y_test, y_predict, average='macro'))
print ("f1-score为：" ,precision_score(y_test, y_predict, average='macro'))

精确率：Precision是针对预测结果而言的。预测结果中，预测为正的样本中预测正确的概率。类似于一个考生在考卷上写出来的答案中，正确了多少。体现模型的精准度，模型说：我说哪个对哪个就是对的。
召回率：Recall是针对数据样本而言的。数据样本中，正样本中预测正确的概率。类似于一个考生在考卷上回答了多少题。体现一个模型的全面性，模型说：所有对的我都能找出来。
F1分数（F1 Score），是统计学中用来衡量二分类模型精确度的一种指标。它同时兼顾了分类模型的精确率和召回率 。F1分数可以看作是模型精确率和召回率的一种调和平均，它的最大值是1，最小值是0。
理想情况下，精确率和召回率两者都越高越好。然而事实上这两者在某些情况下是矛盾的，精确率高时，召回率低；精确率低时，召回率高；关于这个性质通过观察PR曲线不难观察出来。比如在搜索网页时，如果只返回最相关的一个网页，那精确率就是100%，而召回率就很低；如果返回全部网页，那召回率为100%，精确率就很低。因此在不同场合需要根据实际需求判断哪个指标跟重要。

2.多分类评估方式：

from sklearn.metrics import classification_report
print(classification_report(y_true, y_pred))

建立一个显示主要分类指标的文本报告。

二、聚类评估指标：