机器学习模型评价——回归与分类的指标

分类模型的评估

首先给出正例与反例的定义：

• 真正例（True Positive，TP）：真实类别为正例，预测类别为正例。
• 假正例（False Positive，FP）：真实类别为负例，预测类别为正例。
• 假负例（False Negative，FN）：真实类别为正例，预测类别为负例。
• 真负例（True Negative，TN）：真实类别为负例，预测类别为负例。

「准确率(Accuracy)」

定义：对于给定的测试数据集，分类器正确分类的样本数与总样本数之比。
$$Accuracy=\frac{TP+TN}{TP+FP+FN+TN}$$

「精确率(Precision)」

又称为查准率(Precision, P),
$$P=\frac{TP}{TP+FP}$$

「召回率(Recall)」

又称为查全率(Recall, R)，
$$R=\frac{TP}{TP+FN}$$

「ROC」

Receiver Operating Characteristic (ROC) Curve

「F1值」

是精确率和召回率的调和均值，
$$F_1=\frac{2TP}{2TP+FP+FN}$$

「G-Mean指标」

用以评价不平衡数据的模型表现，
$$Gmean=\sqrt{\frac{TP}{TP+FN}\times \frac{TN}{TN+FP}}$$

衡量线性回归法的指标

对于回归模型，常用的指标有MSE、RMSE、MAE、R2等

「MSE」

Mean Squared Error，均方误差，
$$\frac{1}{m}\sum _{i=1}^m(y_{predict}^{(i)}-y_{true}^{(i)}{)}^2$$

「RMSE」

Root Mean Squared Error，均方根误差，
$$\sqrt{\sum _{i=1}^m(y_{predict}^{}}$$