指标

分类指标

metrics.accuracy_score(y_true, y_pred[, ...])	准确率分类评分。
metrics.auc(x, y[, execute, session, run_kwargs])	使用梯形法则计算曲线下面积（AUC）。
metrics.f1_score(y_true, y_pred, *[, ...])	计算 F1 分数，也称为平衡 F 分数或 F 测度。
metrics.fbeta_score(y_true, y_pred, *, beta)	计算 F-beta 分数。
metrics.log_loss(y_true, y_pred, *[, eps, ...])	对数损失，也称为逻辑损失或交叉熵损失。
metrics.multilabel_confusion_matrix(y_true, ...)	为每个类别或样本计算混淆矩阵。
metrics.precision_recall_fscore_support(...)	为每个类别计算精确率、召回率、F 测度和支持度。
metrics.precision_score(y_true, y_pred, *[, ...])	计算精确率。
metrics.recall_score(y_true, y_pred, *[, ...])	计算召回率。
metrics.roc_auc_score(y_true, y_score, *[, ...])	从预测得分中计算接收者操作特征曲线下面积（ROC AUC）。
metrics.roc_curve(y_true, y_score[, ...])	计算接收者操作特征（ROC）曲线。

回归指标

metrics.r2_score(y_true, y_pred, *[, ...])

:math:`R^2`（决定系数）回归评分函数。

成对指标

metrics.pairwise.cosine_distances(X[, Y])	计算 X 和 Y 中样本之间的余弦距离。
metrics.pairwise.cosine_similarity(X[, Y, ...])	计算 X 和 Y 中样本之间的余弦相似度。
metrics.pairwise.euclidean_distances(X[, Y, ...])	将 X 的行（以及 Y=X）视为向量，计算每对向量之间的距离矩阵。
metrics.pairwise.haversine_distances(X[, Y])	计算 X 和 Y 中样本之间的 Haversine 距离
metrics.pairwise.manhattan_distances(X[, Y])	计算 X 和 Y 中向量之间的 L1 距离。
metrics.pairwise.rbf_kernel(X[, Y, gamma])	计算 X 和 Y 之间的 RBF（高斯）核。
metrics.pairwise_distances(X[, Y, metric])