数据挖掘学习小组:Task1 赛题理解

Task1.赛题理解

机器学习性能评估指标

分类算法常见评估指标：

• 准确率(accuracy) = 预测对的/所有 = (TP+TN)/(TP+FN+FP+TN)
• 精确率(precision) = TP/(TP+FP)
• 召回率(recall) = TP/(TP+FN) = TP/P = Sensitivity
• F1-score = 2*(precision * recall)/(precision + recall)
• AUC:全称是Area under the Curve of ROC，也就是ROC曲线下方的面积。
  这里出现了另一个概念，就是ROC曲线。那么ROC曲线是个什么东西呢？
  我们参看下维基百科上的定义：在信号检测理论中，接收者操作特征曲线（receiver operating characteristic curve，或者叫ROC曲线）是一种坐标图式的分析工具，用于
  选择最佳的信号侦测模型、舍弃次佳的模型。
  在同一模型中设定最佳阈值。这个概念最早是由二战中的电子工程师和雷达工程师发明的，用来侦测战场上的敌军载具。概括来说，可以把ROC曲线理解为一种用于统计分析的图表工具。

机器学习备忘录 | AUC值的含义与计算方法

回归算法常见评估指标

• 平均绝对误差(Mean Absolute Error)
• 均方误差（Mean Squared Error，MSE）
• 平均绝对百分误差（Mean Absolute Percentage Error，MAPE）
• 均方根误差（Root Mean Squared Error）
• R² ：拟合优度（Goodness of Fit）
  越接近1，表明回归平方和展总平方和的比例越大，回归线与各观测点越接近。