学习决策树模型评价
学习决策树模型评价
提问于 2016-08-23 06:55:38
下面是相关的代码和文档，对于默认的cross_val_score而没有显式指定score，输出数组意味着精度、AUC或其他指标？
使用Python2.7和miniconda解释器。
http://scikit-learn.org/stable/modules/generated/sklearn.tree.DecisionTreeClassifier.html
>>> from sklearn.datasets import load_iris
>>> from sklearn.cross_validation import cross_val_score
>>> from sklearn.tree import DecisionTreeClassifier
>>> clf = DecisionTreeClassifier(random_state=0)
>>> iris = load_iris()
>>> cross_val_score(clf, iris.data, iris.target, cv=10)
...
...
array([ 1. , 0.93..., 0.86..., 0.93..., 0.93...,
0.93..., 0.93..., 1. , 0.93..., 1. ])你好，林
回答 2
Stack Overflow用户
回答已采纳
发布于 2016-08-23 07:05:46
来自用户指南
默认情况下，在每次CV迭代时计算的分数是估计器的得分方法。可以通过使用记分参数来更改此值：
来自DecisionTreeClassifier 文档
返回给定测试数据和标签的平均精度。在多标签分类中，这是子集的准确性，这是一个严酷的度量，因为您需要为每个样本正确地预测每个标签集。
不要被“平均精度”所迷惑，这只是计算准确性的常规方法。遵循到来源的链接
from .metrics import accuracy_score
return accuracy_score(y, self.predict(X), sample_weight=sample_weight)现在是来源 for metrics.accuracy_score
def accuracy_score(y_true, y_pred, normalize=True, sample_weight=None):
...
# Compute accuracy for each possible representation
y_type, y_true, y_pred = _check_targets(y_true, y_pred)
if y_type.startswith('multilabel'):
differing_labels = count_nonzero(y_true - y_pred, axis=1)
score = differing_labels == 0
else:
score = y_true == y_pred
return _weighted_sum(score, sample_weight, normalize)如果你仍然不相信：
def _weighted_sum(sample_score, sample_weight, normalize=False):
if normalize:
return np.average(sample_score, weights=sample_weight)
elif sample_weight is not None:
return np.dot(sample_score, sample_weight)
else:
return sample_score.sum()注意:对于accuracy_score正常化参数，默认为True，因此它只是返回布尔numpy数组的np.average，因此它只是正确预测的平均数量。
Stack Overflow用户
发布于 2016-08-23 07:05:28
如果没有给出评分参数，cross_val_score将默认使用您使用的估计器的.score方法。对于DecisionTreeClassifier，它是平均精度(如下面的docstring所示)：
In [11]: DecisionTreeClassifier.score?
Signature: DecisionTreeClassifier.score(self, X, y, sample_weight=None)
Docstring:
Returns the mean accuracy on the given test data and labels.
In multi-label classification, this is the subset accuracy
which is a harsh metric since you require for each sample that
each label set be correctly predicted.
Parameters
----------
X : array-like, shape = (n_samples, n_features)
Test samples.
y : array-like, shape = (n_samples) or (n_samples, n_outputs)
True labels for X.
sample_weight : array-like, shape = [n_samples], optional
Sample weights.
Returns
-------
score : float
Mean accuracy of self.predict(X) wrt. y.页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/39094267
复制相关文章
相似问题
腾讯云开发者
