1，准确率accuracy_score from sklearn.metrics import accuracy_score
2，精确率/查准率precision_score from sklearn.metrics import precision_score 分为宏平均（macro）和微平均（micro），宏平均比微平均更合理。 metrics.precision_score(y_true, y_pred, average='micro') metrics.precision_score(y_true, y_pred, average='macro') 其中average参数有五种：(None, ‘micro’, ‘macro’, ‘weighted’, ‘samples’)
3，召回率/查全率recall_score from sklearn.metrics import recall_score 召回率也有宏平均和微平均的区别，和上面的用法一样。
4，F1-score from sklearn.metrics import f1_score metrics.f1_score(y_true, y_pred, average='weighted')
5，混淆矩阵（confusion-matrix） from sklearn.metrics import confusion_matrix
6，分类报告（classification_report） from sklearn.metrics import classification_report 包含precision/recall/f1-score/均值/分类个数
7，kappa score from sklearn.metrics import cohen_kappa_score cohen_kappa_score(y_true, y_pred)
8，ROC 1）计算ROC值 from sklearn.metrics import roc_auc_score roc_auc_score(y_true, y_scores) 2）画ROC图 具体画ROC图的方法请参照官方给出的代码http://scikit-learn.org/stable/auto_examples/model_selection/plot_roc.html
9，距离 1）海明距离（hamming_loss） from sklearn.metrics import hamming_loss hamming_loss(y_true, y_pred) 2）Jaccard距离（jaccard_similarity_score） from sklearn.metrics import jaccard_similarity_score jaccard_similarity_score(y_true, y_pred)
1，可释方差也叫解释方差（explained_variance_score） from sklearn.metrics import explained_variance_score explained_variance_score(y_true, y_pred)
2，平均绝对误差（mean_absolute_error） from sklearn.metrics import mean_absolute_error mean_absolute_error(y_true, y_pred)
3，均方误差（mean_squared_error） from sklearn.metrics import mean_squared_error mean_squared_error(y_true, y_pred)
4，中值绝对误差（median_absolute_error） from sklearn.metrics import median_absolute_error median_absolute_error(y_true, y_pred)
5，R方值，确定系数（r2_score） from sklearn.metrics import r2_score r2_score(y_true, y_pred)
作者：曦宝 链接：https://www.jianshu.com/p/c3cf5c6081ad 来源：简书 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
