def assess(self, y, p_y, return_dist=False, check_input=True):
'''\n
Function: 执行模型评估
Note: 拟合后关于训练集的accuracy和cost已保存在内部属性中，
通过.score和.cost查看
Parameters
----------
y: 观测值向量,Series类型
p_y: 预测值向量,Series类型
return_dist: 是否返回预测分布，bool类型，默认False
check_input: 是否进行输入校验，bool类型，默认值True
----------
Returns
-------
0: 准确率，float类型
1: 预测分布，DataFrame类型
-------
'''
#输入校验
if check_input == True:
y = self.check_input_y_(y)
p_y = self.check_input_y_(p_y, 'p_y')
check_index_match(y, p_y, 'y', 'p_y')
#返回准确率和预测分布
return stats.accuracy(y, p_y, return_dist, self.classes)
def assess(self,y,p_y,mode=None):
'''\n
Function: 使用输入的观测值和预测值进行模型评估
Notes: 注意数据集的数据类型，分类首选类型str，回归首选类型float64，
拟合时数据集采用非首选类型可能会导致此处类型不匹配，建议提前转换
Parameters
----------
y:观测值，Series类型
p_y:预测值，Series类型
mode:模式，str类型，默认使用内部集成单元的属性，
'c'->分类，'r'->回归
----------
Returns
-------
0: 分类->准确率，回归->R方，float类型
-------
'''
#校验参数
if type(mode)==type(None):
mode=self.units[0].tree.mode
check_type('mode',type(mode),type(''))
mode_list=['c','r']
check_limit('mode',mode in mode_list,str(mode_list))
y,continuity_y=self.unit_test.check_input_y_(y,name='y')
p_y,continuity_p_y=self.unit_test.check_input_y_(p_y,name='p_y')
check_index_match(y,p_y,'y','p_y')
#分类模式求准确率，回归模式求R2
if mode=='c':
return stats.accuracy(y,p_y)
elif mode=='r':
return stats.r_sqr(y,p_y)
def assess(self, y, p_y, return_dist=False, check_input=True):
'''\n
Function: 使用输入的观测值和预测值进行模型评估
Notes: 注意数据集的数据类型，分类首选类型str，回归首选类型float64，
拟合时数据集采用非首选类型可能会导致此处类型不匹配，建议提前转换
Parameters
----------
y:观测值，Series类型
p_y:预测值，Series类型
return_dist: 是否返回预测分布，bool类型，默认False
check_input: 是否进行输入校验，bool类型，默认值True
----------
Returns
-------
0: 分类->准确率，回归->R方，float类型
-------
'''
mode = self.mode
#校验输入
check_type('check_input', type(check_input), type(True))
if check_input == True:
y = self.check_input_y_(y, name='y', mode=mode)
p_y = self.check_input_y_(p_y, name='p_y', mode=mode)
check_index_match(y, p_y, 'y', 'p_y')
#分类模式求准确率，回归模式求R2
if mode == 'c':
return stats.accuracy(y, p_y, return_dist, self.classes)
elif mode == 'r':
return stats.r_sqr(y, p_y)
def assess(self, y, pred_y, return_dist=False, check_input=True):
'''\n
Function: 使用输入的观测值和预测值进行模型评估
Notes: 注意数据集的数据类型，分类首选类型str，回归首选类型float64，
拟合时数据集采用非首选类型可能会导致此处类型不匹配，建议提前转换
Parameters
----------
y: 观测值，ndarray类型
pred_y: 预测值，ndarray类型
return_dist: 是否返回预测分布，bool类型，默认False
check_input: 是否进行输入校验，bool类型，默认值True
----------
Returns
-------
0: 分类->准确率，回归->R方，float类型
-------
'''
check_type('check_input', type(check_input), type(True))
if check_input == True:
check_type('return_dist', type(return_dist), type(True))
y = self.check_input_y_(y, 'y', transform=False)
pred_y = self.check_input_y_(pred_y, 'pred_y', transform=False)
check_index_match(y, pred_y, 'y', 'pred_y', only_len=True)
if self.mode == 'c':
return stats.accuracy(y, pred_y, return_dist, self.classes)
else:
return stats.r_sqr(y, pred_y)
def access(self, y, p_y, return_dist=False):
check_type('return_dist', type(return_dist), type(True))
y = self.check_input_y_(y)
p_y = self.check_input_y_(p_y, 'p_y')
check_index_match(y, p_y, 'y', 'p_y')
classes = self.y_d_p['value'].values
return stats.accuracy(y, p_y, return_dist, classes)
def assess(self,y,p_y,mode=None):
'''\n
Function: 使用输入的观测值和预测值进行模型评估
Notes: 注意数据集的数据类型，分类首选类型str，回归首选类型float64，
拟合时数据集采用非首选类型可能会导致此处类型不匹配，建议提前转换
Parameters
----------
y:观测值，Series类型
p_y:预测值，Series类型
mode:模式，str类型，默认使用内部集成单元的属性，
'c'->分类，'r'->回归
----------
Returns
-------
0: 分类->准确率，回归->R方，float类型
-------
'''
#校验参数
if type(mode)==type(None):
mode=self.mode
check_type('mode',type(mode),type(''))
mode_list=['c','r']
check_limit('mode',mode in mode_list,str(mode_list))
check_index_match(y,p_y,'y','p_y')
#分类模式求准确率，回归模式求R2
if mode=='c':
return stats.accuracy(y.astype('str'),p_y.astype('str'))
elif mode=='r':
r_sqr=stats.r_sqr(y,p_y)
if r_sqr<0:
print('warning: R2 is less than 0, which means bad fitting,'+
'\ntry to reduce the learning rate')
return r_sqr