如何使用Python实现模型评估_模型性能指标分析方法【教程】

Python模型性能评估需选对指标、用对工具、理解含义：二分类用Accuracy/Precision/Recall/F1/AUC，多分类加macro/micro平均，回归用MAE/MSE/RMSE/R²；scikit-learn可快速计算并可视化混淆矩阵与ROC曲线；注意数据类型一致、AUC需概率输入、不均衡时慎用Accuracy、推荐交叉验证。

直接用 Python 计算模型性能指标并不难，关键是选对指标、用对工具、理解数值背后的含义。下面从常用指标、代码实现、注意事项三方面讲清楚。

常用模型评估指标及适用场景

不同任务类型对应的核心指标不同：

• 二分类：准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1-score、AUC-ROC
• 多分类：宏平均/微平均 Precision/Recall/F1、混淆矩阵、类别级准确率
• 回归：MAE（平均绝对误差）、MSE（均方误差）、RMSE（均方根误差）、R²（决定系数）

比如预测用户是否会点击广告，更关注“召回率”（别漏掉潜在点击用户），而银行风控可能更看重“精确率”（别把好人当坏人）。

用 scikit-learn 快速计算核心指标

以二分类为例，假设已有真实标签 y_true 和预测概率 y_pred_proba 或预测类别 y_pred：

立即学习“Python免费学习笔记（深入）”；

<font size="2">from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, roc_auc_score, confusion_matrix
from sklearn.model_selection import train_test_split
<h1>假设 model 已训练好，X_test, y_test 已准备好</h1><p>y_pred = model.predict(X_test)                    # 硬预测
y_pred_proba = model.predict_proba(X_test)[:, 1]  # 正类概率</p><p>print("Accuracy:", accuracy_score(y_test, y_pred))
print("Precision:", precision_score(y_test, y_pred))
print("Recall:", recall_score(y_test, y_pred))
print("F1-score:", f1_score(y_test, y_pred))
print("AUC:", roc_auc_score(y_test, y_pred_proba))
print("Confusion Matrix:\n", confusion_matrix(y_test, y_pred))</font>

登录后复制

多分类只需加参数 average='macro' 或 'micro'；回归任务换用 mean_absolute_error、r2_score 等即可。

标签： python 工具 mac ai red