python画正态分布曲线,Python 小波分析

　　目录卡帕系数海明距离杰卡德相似系数混淆矩阵

　　卡帕系数

　　手写实现

　　def kappa _ cal(matrix):n=NP。sum(matrix)sum _ po=0 sum _ PE=0 for I in range(len(matrix[0]):sum _ po=matrix[I][I]row=NP。sum(matrix[I，)col=np.sum(matrix[:I])sum _ PE=row * col po=sum _ po/n PE=sum _ PE/(n * n)# print(po，pe) return (po - pe)/(1 - pe) python库调用实现

　　从sklearn.metrics导入科恩_卡帕_分数#卡帕系数是基于混淆矩阵的计算得到的模型评价参数（越接近一越好)kappa=Cohen _ kappa _ score(NP。数组(y _ true).shape(-1，1)，np.array(y_pre).整形(-1,1))海明距离从sklearn.metrics导入hamming_loss#海明距离（越接近0 越好)ham _ distance=hamming _ loss(NP。数组(y _ true).shape(-1，1)，np.array(y_pre).整形(-1,1))杰卡德相似系数从sklearn.metrics导入jaccard_similarity_score#杰卡德相似系数（越接近一越好)#正常化默认为没错，这是计算的是多个类别的相似系数的平均值，正常化=假时分别计算各个类别的相似系数JAC CRD得分=JAC卡相似性得分(NP。array(y _ true)).shape(-1，1)，np.array(y_pre).整形(-1,1),规格化=真)混淆矩阵来自sklearn.metrics导入混淆_matrix#手动计算矩阵=混淆_矩阵(np.array(y_true).shape(-1，1)，np.array(y_pre).整形(-1，1))kappaByHand=kappa _ cal(matrix)#保存为dataframematrix=pd .DataFrame(矩阵，列=字符列，索引=字符列)矩阵。to _ CSV(矩阵。CSV’)

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。