TabularPredictor.evaluate_predictions

TabularPredictor.evaluate_predictions(y_true, y_pred, sample_weight=None, decision_threshold=None, display: bool = False, auxiliary_metrics=True, detailed_report=False, **kwargs) → dict[source]

根据真实标签评估提供的预测概率。评估基于先前在 init 中指定的 eval_metric，如果未指定，则使用默认指标。

参数:

  • y_true (np.array 或 pd.Series) – 真实标签的有序集合。

  • y_pred (pd.Series 或 pd.DataFrame) – 预测概率或预测结果的有序集合。可通过 predictor.predict_proba 的输出获得。注意：对于某些类型的 eval_metric（例如 ‘roc_auc’），y_pred 必须是预测概率而不是预测标签。

  • sample_weight (pd.Series, 默认值 = None) – 每行数据的样本权重。如果为 None，则使用均匀样本权重。

  • decision_threshold (float, 默认值 = None) – 将预测概率转换为预测结果时使用的决策阈值。这将影响 f1 和 accuracy 等指标的得分。如果为 None，则默认为 predictor.decision_threshold。除非 problem_type=’binary’，否则此参数会被忽略。有关更多信息，请参阅 predictor.decision_threshold 文档字符串。

  • display (bool, 默认值 = False) – 如果为 True，则打印性能结果。

  • auxiliary_metrics (bool, 默认值 = True) – 除了默认指标外，是否还应计算其他（特定于 problem_type 的）指标？

  • detailed_report (bool, 默认值 = False) – 是否应计算更详细版本的 auxiliary_metrics？（需要 auxiliary_metrics = True）

返回值:

  • 返回一个字典，其中键 = 指标，值 = 每个指标的表现。

  • 注意 (指标分数始终以“越高越好”的形式显示。)

  • 这意味着 log_loss 和 root_mean_squared_error 等指标的符号将被反转，值将为负。