机器学习模型评估Python库函数推荐

在Python中，有几个常用的库和函数可用于评估机器学习模型。以下是一些建议：

1. scikit-learn：这是一个非常流行的机器学习库，提供了大量的评估指标函数。例如，你可以使用accuracy_score来计算准确率，confusion_matrix来生成混淆矩阵，classification_report来生成分类报告等。
2. matplotlib 和 seaborn：这两个库用于数据可视化，可以帮助你更好地理解模型的性能。例如，你可以使用plot_confusion_matrix函数来绘制混淆矩阵，plot_roc_curve函数来绘制ROC曲线等。
3. pandas：这是一个数据处理和分析的库，可以帮助你更方便地处理数据集。例如，你可以使用DataFrame.describe()方法来获取数据的描述性统计信息，DataFrame.groupby()方法来进行分组分析等。
4. sklearn.metrics：这个子库提供了更多的评估指标函数，例如f1_score、precision_score、recall_score等。这些函数可以帮助你更全面地评估模型的性能。
5. sklearn.model_selection：这个子库提供了很多用于模型选择和评估的工具，例如交叉验证函数cross_val_score，网格搜索函数GridSearchCV等。

以下是一个简单的例子，展示了如何使用scikit-learn库来评估一个分类模型：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report
import matplotlib.pyplot as plt
import seaborn as sns

# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练模型
clf = RandomForestClassifier(n_estimators=100, random_state=42)
clf.fit(X_train, y_train)

# 预测
y_pred = clf.predict(X_test)

# 评估模型
print("Accuracy:", accuracy_score(y_test, y_pred))
print("Confusion Matrix:\n", confusion_matrix(y_test, y_pred))
print("Classification Report:\n", classification_report(y_test, y_pred))

# 绘制混淆矩阵
sns.heatmap(confusion_matrix(y_test, y_pred), annot=True, fmt='d')
plt.xlabel('Predicted')
plt.ylabel('True')
plt.show()