性能度量的作用：衡量模型的泛化能力，评价模型的好坏。
但是不同的任务需求需要不同的性能度量，而导致不同的评估结果，因此好坏是相对的。
一、分类
from sklearn import metrics
print(metrics.confusion_matrix(y_train,lr_y_train))
print(metrics.confusion_matrix(y_test,lr_y_test))
1.accuracy准确率
- acc是预测准确占所有预测结果的比例
- acc=(TP+TN)/(TP+TN+FP+FN)
- 优点：计算简单，常用
- 缺点：容易收到样本量及正负样本不均衡的影响
from sklearn import metrics
print('训练集准确率：',round(metrics.accuracy_score(y_train,lr_y_train)*100,2),'%'） # 训练集
print('测试集准确率：',round(metrics.accuracy_score(y_test,lr_y_test)*100,2),'%'）# 预测集
2.Precision精确率、Recall召回率、F1score
仅在二分类情况下适用
（1）Precision表示预测是正样本中确实是正样本的比例。
Precision=TP/(TP+FP)
（2）Recall表示确实是正样本中被预测是正的比例。
Recall=TP/(TP+FN)
（3）F1是精确率和召回率的加权调和平均数。P(精确率)与R(召回率)是此消彼长的，F1是由此构建的综合指标。
from sklearn.metrics import precision_score, recall_score, f1_score
p = precision_score(y_true, y_pred, average='binary') # 二分零
r = recall_score(y_true, y_pred, average='binary')
f1score = f1_score(y_true, y_pred, average='binary')
3.ROC-AUC
- ROC曲线的计算指标是灵敏度和特异度。灵敏度(TPR)：本质上是正样本召回，特异度(TNR)：本质上是负样本的召回率
- 优点：不受样本不均衡问题的影响
from sklearn import metrics
from sklearn.metrics import roc_curve,auc
fpr,tpr,threshold=roc_curve(y_train,y_pred_train)
fpr,tpr,threshold=roc_curve(y_test,lr_y_predict)
auc(fpr,tpr) # 0.5~1，越大表示模型性能越好
二、回归
1.MAE
from sklearn.metrics import mean_absolute_error
mean_absolute_error(y_true, y_pred)
2.MSE
from sklearn.metrics import mean_squared_error
mean_squared_error(y_true, y_pred)
3.RMSE
from sklearn.metrics import mean_squared_error
np.sqrt(mean_squared_error(y_true,y_pred))