機器學習模型評估指標Python庫函數推薦

在Python中，有多個庫和函數可用于評估機器學習模型。以下是一些常用的庫和函數：

1. scikit-learn庫：這是一個非常流行的機器學習庫，提供了大量的評估指標函數。例如：

   • accuracy_score：計算分類模型的準確率。
   • precision_score：計算分類模型的正例精確率。
   • recall_score：計算分類模型的正例召回率。
   • f1_score：計算分類模型的正例F1分數。
   • confusion_matrix：計算分類模型的混淆矩陣。
   • roc_auc_score：計算分類模型的ROC AUC分數。

2. sklearn.metrics模塊：這個模塊也提供了很多評估指標函數，與scikit-learn庫類似。例如：

   • accuracy_score：同上。
   • precision_score：同上。
   • recall_score：同上。
   • f1_score：同上。
   • confusion_matrix：同上。
   • roc_auc_score：同上。

3. matplotlib庫：這是一個用于繪制圖形的庫，常用于可視化評估結果。例如，可以使用plot_confusion_matrix函數繪制混淆矩陣。

4. seaborn庫：這是一個基于matplotlib的數據可視化庫，提供了更高級的繪圖功能。例如，可以使用heatmap函數繪制混淆矩陣。

5. pandas庫：這是一個用于數據處理和分析的庫，可以將評估結果保存為CSV文件或Excel文件。

以下是一個使用scikit-learn庫評估分類模型的示例代碼：

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, confusion_matrix, roc_auc_score

# 加載數據集
X, y = load_data()

# 劃分訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 訓練模型
model = LogisticRegression()
model.fit(X_train, y_train)

# 預測測試集
y_pred = model.predict(X_test)

# 計算評估指標
accuracy = accuracy_score(y_test, y_pred)
precision = precision_score(y_test, y_pred)
recall = recall_score(y_test, y_pred)
f1 = f1_score(y_test, y_pred)
confusion = confusion_matrix(y_test, y_pred)
roc_auc = roc_auc_score(y_test, y_pred)

# 打印評估結果
print("Accuracy:", accuracy)
print("Precision:", precision)
print("Recall:", recall)
print("F1 Score:", f1)
print("Confusion Matrix:\n", confusion)
print("ROC AUC Score:", roc_auc)

請注意，以上代碼中的load_data()函數需要根據實際數據集進行替換。