머신러닝_성능평가

[calmnis]

# 회귀

1. MSE(Mean Squared Error) : 각 오차 제곱의 평균

from sklearn.metrics import mean_squared_error

mean_squared_error(y_test,y_pred)

2. RMSE(Root Mean Squared Error)

from sklearn.metrics import mean_squared_error

pow(mean_squared_error(y_test,y_pred), 0.5)

3. MAE(Mean Absolute Error) : 오차 절대값의 평균

from sklearn.metrics import mean_absolute_error

mean_absolute_error (y_test,y_pred)

4. MAPE(Mean Absolute Percentage Error) : 오차 비율의 평균

from sklearn.metrics import mean_absolute_percentage_error

mean_absolute_percentage_error (y_test,y_pred)

5. 결정계수 R^2 : 전체 오차 중에서 회귀식이 잡아낸 오차비율(일반적인 모델 성능 지표)

from sklearn.metrics import r2_score

r2_score (y_test,y_pred)

# 분류

1. 정확도(Accuracy) : 테스트 데이터 전체에서 정확한 값을 예측한 비율, 아래와 같이 사용한다.(일반적인 모델 성능 지표)

from sklearn.metrics import accuracy_score

accuracy_score(y_test,p_pred)

2. 정밀도(Precision) : Positive로 예측한 값들 중에서 실제 Positive 비율, 예측 관점에서 본 것. average 파라미터를 None으로 설정하면 전체 평균이 아닌 각 범주 별로 값을 반환한다. 보통 None으로 설정.(최신 버전 sklearn은 default가 None이라 따로 설정할 필요 없다.)

from sklearn.metrics import precision_score

precision_score(y_test,y_pred ,average=None)

3. 재현율(Recall) : 실제 Positive 중에서 Positive로 예측한 비율, 실제 관점에서 본 것. 민감도(Sensitivity)라고 부르는 경우도 많다.

from sklearn.metrics import recall_score

recall_score(y_test,y_pred,average=None)

4. 특이도(Specificity) : 실제 Negative 중에서 Negative로 예측한 비율. 0에 대한 정밀도와 같다. 따로 구하는 함수는 없지만 Classification_report에서 확인할 수 있다.

5. F1-Score : 정밀도와 재현율의 조화 평균, 정밀도와 재현율은 분자는 같지만 분모가 다르므로 조화 평균이 의미를 가진다. 정밀도와 재현율이 적절하게 요구될 때 사용

from sklearn.metrics import f1_score

f1_score(y_test,y_pred,average=None)