在Sklearn中，在模块下实施了一些损失，分数和实际功能以衡量分类性能。一些指标可能需要正面的概率，置信价值或二进制决策值 - 制定价值。通过sample_weight参数的总分数。
让我们简要介绍由Sklearn实施的不同分类方案实施的模型评估指标。
这是一些函数描述仅限于第二类方案：
（y_true，probas_pred， *）根据不同的概率阈值计算召回率对的准确性。（y_true，y_score， *[，pos_label，...]）计算ROC曲线。。
（y_true，y_pred， *[，...]）计算平均准确性率。管道类别的平均准确性和不平衡数据集的多类分类问题的处理。每个类。（Y1，Y2， *[，标签，...]）计算Korn的Kappa系数并测量评估者之间的一致性统计数据。（Y__True，Y__Pred， *[，...]）计算混淆矩阵以评估评估分类的准确性。（y_true，pred_decision， *[，...]）计算平均铰链损失（非调查）。可以将铰链损失函数用于“ Max -Margin”分类及其最著名的应用程序是SVM的损耗函数。（y_true，y_pred， *[，...]）计算Matthews关系的数量（MCC）。（Y__True，Y__Score， *[，...]）TOP_K计算的准确性，指标计算的准确性是预测k -tag（根据预测分数排名）中的次数。请注意，请注意这里没有多个标签。在这里，有些功能也可以应用于多标签方案（同时可以应用于双类和多类类别）：
（y_true，y_pred， *[，...]）计算精度。（y_true，y_pred， *[，...]）构造一个文本报告，显示主分类指标。...]）计算$ f1 $ value。（y_true，y_pred， *，beta [，...]）计算$ f_ {beta} $ value。（y_true，y_pred， *[，sample_weight]）损失。（y_true，y_pred， *[，标签，...]）计算jaccard相似系数。（y_true，y_pred， *[，EPS，...]）计算数字损失，也称为逻辑损失或交叉- 熵损失。（y_true，y_pred， *）计算每个类或样品的混淆矩阵。（y_true，...）计算每个类的准确性，召回率，f值和实际值的数量。（y_true，y_true，y_pred， *[，标签，...]）计算精度。（y_true，y_pred， *[，标签，...]）计算召回率。（y_true，y_score， *[，平均，...]）根据预测的分数计算ROC曲线下的面积（AUC）。（y_true，y_pred， *[，...]）计算0-1损失，这适用于分类问题。还有一些应用于管道类别和多标签分类场景的功能（但不能应用于多个分类场景）：
（y_true，y_score， *）根据预测分数计算平均精度（AP）。该值在0到1之间，值越高，越好。某些指标基本定义为第二个分类任务（例如，）。默认情况下，仅评估了标签。我们假设默认情况下，正类别标记为1（尽管可以通过参数配置）。
将二进制评估指数扩展到多重分类或多标签分类问题时，数据被视为双重分类问题的集合。每个类别都是集合中的一个元素。（即多类或多标签分类基于第二分类集合。对于每个标签，它是两个分类模型。例如，有三个类别。：红色，黄色和蓝色。对于负标签，基于此训练模型。如果黄是正标，红色和蓝色是基于此训练的负标签。）
Sklearn中有许多方法可以是类集合中的第二分类指标的平均值，并且在某些情况下，每种方法可能很有用。在可用的情况下，您应该在{,,,}中使用参数。
除此之外，还可以为第二分类模型选择参数。
当需要情况时，输入是两个值（仅包含0和1），并且涉及评分函数的另一个参数，即指定为视图值的值，默认情况下是默认情况下，也就是说，默认值为1.仅计算指定的准确性，召回率等。
评论：
当多个分类数据提供测量值时，如果目标值为两个类，则将常规类标签用作数组，对于多标签数据，则将其指定为指示矩阵。在其中，如果样本i具有标签j，则单元格（i，j的值）为1，否则值为0。