Ubuntu模型评估指标计算（手把手教你用Python在Ubuntu系统中计算常用机器学习评估指标）

常见模型评估指标简介

根据任务类型不同，评估指标也有所区别：

• 分类任务：准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1 分数、ROC-AUC
• 回归任务：均方误差（MSE）、平均绝对误差（MAE）、R² 决定系数

准备工作：在 Ubuntu 上安装必要库

首先，确保你的 Ubuntu 系统已安装 Python（推荐 3.7+）。打开终端（Terminal），运行以下命令：

sudo apt updatesudo apt install python3-pip python3-venv -y# 创建虚拟环境（推荐）python3 -m venv ml_envsource ml_env/bin/activate# 安装核心库pip install scikit-learn numpy pandas matplotlib  

实战：计算分类模型的评估指标

假设你已经训练好一个分类模型，并得到了真实标签 y_true 和预测标签 y_pred。下面我们在 Ubuntu 中编写 Python 脚本来计算各项指标。

from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, roc_auc_scoreimport numpy as np# 示例数据（二分类）y_true = [0, 1, 1, 0, 1, 1, 0, 0]y_pred = [0, 1, 0, 0, 1, 1, 0, 1]y_scores = [0.2, 0.8, 0.4, 0.3, 0.9, 0.85, 0.1, 0.6]  # 预测概率，用于 ROC-AUC# 计算各项指标accuracy = accuracy_score(y_true, y_pred)precision = precision_score(y_true, y_pred)recall = recall_score(y_true, y_pred)f1 = f1_score(y_true, y_pred)auc = roc_auc_score(y_true, y_scores)print(f"准确率 (Accuracy): {accuracy:.4f}")print(f"精确率 (Precision): {precision:.4f}")print(f"召回率 (Recall): {recall:.4f}")print(f"F1 分数: {f1:.4f}")print(f"ROC-AUC: {auc:.4f}")  

将上述代码保存为 evaluate_model.py，然后在终端运行：

python evaluate_model.py

实战：计算回归模型的评估指标

对于回归任务，我们可以使用以下代码：

from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_scoreimport numpy as np# 示例数据y_true = [3.5, 2.8, 4.0, 5.1, 3.9]y_pred = [3.4, 2.9, 3.8, 5.0, 4.1]mse = mean_squared_error(y_true, y_pred)mae = mean_absolute_error(y_true, y_pred)r2 = r2_score(y_true, y_pred)print(f"均方误差 (MSE): {mse:.4f}")print(f"平均绝对误差 (MAE): {mae:.4f}")print(f"R² 决定系数: {r2:.4f}")  

小贴士：Ubuntu 中可视化评估结果

你还可以结合 matplotlib 在 Ubuntu 桌面环境中绘制混淆矩阵或 ROC 曲线，让结果更直观。例如：

from sklearn.metrics import confusion_matriximport matplotlib.pyplot as pltimport seaborn as snscm = confusion_matrix(y_true, y_pred)sns.heatmap(cm, annot=True, fmt='d', cmap='Blues')plt.title('Confusion Matrix')plt.ylabel('True Label')plt.xlabel('Predicted Label')plt.show()  

总结

通过本文，你已经学会了如何在 Ubuntu 系统中使用 Python 计算关键的机器学习评估指标。无论你是做深度学习研究，还是部署实际的 AI 应用，这些技能都是基础中的基础。记住：好的模型不仅要看训练效果，更要靠科学的模型评估指标来验证！

现在，打开你的 Ubuntu 终端，动手试试吧！