Che cosa sono le metriche Sklearn in Python?
Che cosa sono le metriche Sklearn in Python?

Video: Che cosa sono le metriche Sklearn in Python?

Video: Che cosa sono le metriche Sklearn in Python?
Video: Scikit-learn Crash Course - Machine Learning Library for Python 2024, Aprile
Anonim

Il sklearn . metrica Il modulo implementa diverse funzioni di perdita, punteggio e utilità per misurare le prestazioni di classificazione. Alcuni metrica potrebbe richiedere stime di probabilità della classe positiva, valori di confidenza o valori di decisioni binarie.

Tenendo questo in considerazione, cos'è Sklearn in Python?

Scikit-impara è una libreria di apprendimento automatico gratuita per Pitone . È dotato di vari algoritmi come la macchina vettoriale di supporto, foreste casuali e k-vicini e supporta anche Pitone librerie numeriche e scientifiche come NumPy e SciPy.

Successivamente, la domanda è: cos'è Neg_mean_squared_error? Tutti gli oggetti del punteggio seguono la convenzione secondo cui i valori restituiti più alti sono migliori dei valori restituiti più bassi. Quindi metriche che misurano la distanza tra il modello e i dati, come le metriche. mean_squared_error, sono disponibili come neg_mean_squared_error che restituiscono il valore negato della metrica.

Inoltre, qual è il punteggio di precisione in Sklearn?

Precisione classificazione punto . Nella classificazione multietichetta, questa funzione calcola il sottoinsieme precisione : l'insieme di etichette previsto per un campione deve corrispondere esattamente all'insieme di etichette corrispondente in y_true. Nella classificazione binaria e multiclasse, questa funzione è uguale alla funzione jaccard_score.

Qual è il punteggio f1 in Python?

Calcola il Punteggio F1 , noto anche come bilanciato F- punto o misura F. Il Punteggio F1 può essere interpretato come una media ponderata della precisione e del richiamo, dove an Punteggio F1 raggiunge il suo valore migliore a 1 e peggiore punto a 0. Il contributo relativo di precisione e richiamo al Punteggio F1 sono uguali.

Consigliato: