评价方法 (scoring)

CA

• Orange.evaluation.CA(results=None, **kwargs)[source]

  一个 sklearn.metrics.classification.accuracy_score 的装饰器。以下是它的文档：准确度分类分数。
  在多标签分类中，此函数计算子集精度：为样本预测的标签集必须与y_true中的相应标签集精确匹配。
  请阅读《用户手册》中的更多内容。

Precision

• Orange.evaluation.Precision(results=None, **kwargs)[source]

  sklearn.metrics._classification.precision_score 的包装器。 以下是它的文档：

  计算精度。

  精度是 tp / (tp + fp) 的比值，其中 tp是真阳性数，fp 是假阳性数。 精度直观地是分类器不将负样本标记为正样本的能力。

  最佳值为 1，最差值为 0。

  请阅读《用户手册》中的更多内容。

Recall

• Orange.evaluation.Recall(results=None, **kwargs)[source]

  sklearn.metrics._classification.recall_score 的包装器。 以下是它的文档：

  计算召回率。

  召回率是 tp / (tp + fn) 的比率，其中 tp 是真阳性数，fn 是假阴性数。 召回率直观地是分类器找到所有正样本的能力。

  最佳值为 1，最差值为 0。

  在用户指南中信息。

F1

• Orange.evaluation.F1(results=None, **kwargs)[source]

  sklearn.metrics._classification.f1_score 的包装器。 以下是它的文档：

  计算 F1 分数，也称为平衡 F 分数或 F 度量。

  F1 分数可以解释为准确率和召回率的调和平均值，其中 F1 分数在 1 时达到其最佳值，在 0 时达到最差分数。准确率和召回率对 F1 分数的相对贡献是相等的。 F1分数的公式是：

  python">F1 = 2 * (precision * recall) / (precision + recall)
  

  在多类和多标签的情况下，这是每个类的 F1 分数的平均值，权重取决于平均参数。

  在用户指南中信息。

PrecisionRecallFSupport

• Orange.evaluation.PrecisionRecallFSupport(results=None, **kwargs)[source]

  sklearn.metrics._classification.precision_recall_fscore_support 的包装器。以下是它的文档：

  计算每个类的精度、召回率、F-measure 和支持。

  精度是比率 tp / (tp + fp)，其中 tp 是真阳性数，fp是假阳性数。精度直观地是分类器不将负样本标记为正样本的能力。

  召回率是 tp / (tp + fn) 的比率，其中 tp 是真阳性数，fn 是假阴性数。召回率直观地是分类器找到所有正样本的能力。

  F-beta 分数可以解释为准确率和召回率的加权调和平均值，其中 F-beta 分数在 1 处达到其最佳值，在 0 处达到最差分数。

  F-beta 分数权重的召回率比准确率高 1 倍。 beta == 1.0 意味着召回率和精度同样重要。

  支持度是 y_true 中每个类的出现次数。

  如果 pos_label 为 None 并且在二进制分类中，如果平均值是“micro”、“macro”、“weighted”或“samples”之一，则此函数返回平均精度、召回率和 F-measure。

  在用户指南中信息。

AUC

• Orange.evaluation.AUC(results=None, **kwargs)[source]

  ${sklpar}

  参数

       results (Orange.evaluation.Results) – 模型测试中存储的预测和实际数据。
  
       target (int, optional (default=None)) -- 要报告的类的值。
  

Log Loss

• Orange.evaluation.LogLoss(results=None, **kwargs)[source]

  ${sklpar}

  参数

       results (Orange.evaluation.Results) – 模型测试中存储的预测和实际数据。
  
       eps (float) – p=0 或 p=1 的对数损失未定义，因此概率被限制为 max(eps, min(1 - eps, p))。
  
       normalize (bool, optional (default=True)) – 如果为真，则返回每个样本的平均损失。 否则，返回每个样本损失的总和。
  
       sample_weight (array-like of shape = [n_samples], optional) – 样本权重。
  

举例

Orange.evaluation.LogLoss(results)
array([ 0.3...])

MSE

• Orange.evaluation.MSE(results=None, **kwargs)[source]

  sklearn.metrics._regression.mean_squared_error 的包装器。 以下是它的文档：

  均方误差回归损失。

  在用户指南中信息。

MAE

• Orange.evaluation.MAE(results=None, **kwargs)[source]

  sklearn.metrics._regression.mean_absolute_error 的包装器。 以下是它的文档：

  平均绝对误差回归损失。

  在用户指南中信息。

R2

• Orange.evaluation.R2(results=None, **kwargs)[source]

  sklearn.metrics._regression.r2_score 的包装器。 以下是它的文档：

  $R^2$（确定系数）回归评分函数。

  最好的分数是 1.0，它可以是负数（因为模型可以任意变坏）。 一个始终预测 y 的期望值的常量模型，不考虑输入特征，$R^2$将得到0.0 分。

  在用户指南中信息。

CD diagram

• Orange.evaluation.compute_CD(avranks, n, alpha=‘0.05’, test=‘nemenyi’)[source]

  根据给定的 alpha（alpha=”0.05” 或 alpha=”0.1”）返回 Nemenyi 或 Bonferroni-Dunn 测试的关键差异，用于平均排名和测试数据集 N 的数量。测试可以是 Nemenyi 两尾的“nemenyi” 测试或“bonferroni-dunn”用于 Bonferroni-Dunn 测试。

• Orange.evaluation.graph_ranks(avranks, names, cd=None, cdmethod=None, lowv=None, highv=None, width=6, textspace=1, reverse=False, filename=None, **kwargs)[source]

  绘制 CD 图，用于显示方法性能的差异。 参见 “Janez Demsar，多个数据集上分类器的统计比较，2006 年 7 月（1 月）：1-30”。

  需要 matplotlib 才能工作。

  图像绘制在使用 import matplotlib.pyplot as plt 导入的 plt 上。

  参数

  python">avranks（浮动列表）– 方法的平均排名。
  
  names (list of str) -- 方法的名称。
  
  cd (float) - 用于方法之间差异的统计显着性的关键差异。
  
  cdmethod (int, optional) – 与其他方法比较的方法如果省略，则显示方法的成对比较
  
  lowv (int, optional) – 显示的最低等级
  
  highv (int, optional) – 显示的最高等级
  
  width (int, optional) – 默认宽度（以英寸为单位）（默认值：6）
  
  textspace (int, optional) – 方法名称的图形边上的空间（以英寸为单位）（默认值：1）
  
  reverse (bool, optional) – 如果设置为 True，则最低排名在右侧（默认值：False）
  
  filename (str, optional) – 输出文件名（带扩展名）。 如果没有给出，该函数不会写入文件。
  

  Example

import Orange
import matplotlib.pyplot as plt
names = ["first", "third", "second", "fourth" ]
avranks =  [1.9, 3.2, 2.8, 3.3 ]
cd = Orange.evaluation.compute_CD(avranks, 30) #tested on 30 datasets
Orange.evaluation.graph_ranks(avranks, names, cd=cd, width=6, textspace=1.5)
plt.show()

该代码生成以下图表：

reference

@online{BibEntry2022Jan,
title = {{Scoring methods (scoring) — Orange Data Mining Library 3 documentation}},
year = {2022},
month = {1},
date = {2022-01-08},
urldate = {2022-01-16},
language = {english},
hyphenation = {english},
note = {[Online; accessed 16. Jan. 2022]},
url = {https://orange3.readthedocs.io/projects/orange-data-mining-library/en/latest/reference/evaluation.cd.html}
}