sklearn实战-乳腺癌细胞数据挖掘(博客主亲自录制视频教程，QQ：231469242)
https://study.163.com/course/introduction.htm?courseId=1005269003&utm_campaign=commission&utm_source=cp-400000000398149&utm_medium=sharepython脚本
"""项目合作QQ:231469242这个系数的取值范围是[-1,1]，实际应用中，一般是[0,1]这个系数的值越高，则代表模型实现的分类准确度越高"""def kappa(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)#其中，matrix是一个方阵，若共有i个类别，则matrix.shape = (i,i). #用下面的代码进行测试:import numpy as npmatrix = [ [239,21,16], [16,73,4], [6,9,280]]matrix = np.array(matrix)print(kappa(matrix))参考链接： https://blog.csdn.net/wang7807564/article/details/80252362 引言
分类是机器学习中监督学习的一种重要应用，基于统计的机器学习方法可以使用SVM进行二分类，可以使用决策书，梯度提升树等进行多分类。
对于二分类模型，我们通常可以使用ROC曲线来评估模型的预测效果。这里，我们介绍一下在多分类中衡量模型评估准确度的一种方法–kappa系数评估方法。
首先，我们介绍一下kappa系数：
kappa系数是用在统计学中评估一致性的一种方法，我们可以用他来进行多分类模型准确度的评估，这个系数的取值范围是[-1,1]，实际应用中，一般是[0,1]，与ROC曲线中一般不会出现下凸形曲线的原理类似。
这个系数的值越高，则代表模型实现的分类准确度越高。kappa系数的计算方法可以这样来表示：
python风控评分卡建模和风控常识(博客主亲自录制视频教程)
https://study.163.com/course/introduction.htm?courseId=1005214003&utm_campaign=commission&utm_source=cp-400000000398149&utm_medium=share
转载于:https://www.cnblogs.com/webRobot/p/11459892.html