(博客主亲自录制视频教程，QQ：231469242)

python脚本

"""项目合作QQ:231469242这个系数的取值范围是[-1,1]，实际应用中，一般是[0,1]这个系数的值越高，则代表模型实现的分类准确度越高"""def kappa(matrix):    n = np.sum(matrix)    sum_po = 0    sum_pe = 0    for i in range(len(matrix[0])):        sum_po += matrix[i][i]        row = np.sum(matrix[i, :])        col = np.sum(matrix[:, i])        sum_pe += row * col    po = sum_po / n    pe = sum_pe / (n * n)    # print(po, pe)    return (po - pe) / (1 - pe)#其中，matrix是一个方阵，若共有i个类别，则matrix.shape = (i,i). #用下面的代码进行测试:import numpy as npmatrix = [    [239,21,16],    [16,73,4],    [6,9,280]]matrix = np.array(matrix)print(kappa(matrix))

　　

参考链接：

引言

分类是机器学习中监督学习的一种重要应用，基于统计的机器学习方法可以使用SVM进行二分类，可以使用决策书，梯度提升树等进行多分类。 

对于二分类模型，我们通常可以使用ROC曲线来评估模型的预测效果。这里，我们介绍一下在多分类中衡量模型评估准确度的一种方法–kappa系数评估方法。

Kappa系数

首先，我们介绍一下kappa系数： 

kappa系数是用在统计学中评估一致性的一种方法，我们可以用他来进行多分类模型准确度的评估，这个系数的取值范围是[-1,1]，实际应用中，一般是[0,1]，与ROC曲线中一般不会出现下凸形曲线的原理类似。 

这个系数的值越高，则代表模型实现的分类准确度越高。kappa系数的计算方法可以这样来表示：