7种常见的机器学习算法衡量指标

在做机器学习进行实验过程中，我们需要使用分类精度、均方误差等方法衡量模型的性能，从而判断训练出的模型的表现是否符合预期要求。本文整理了7种常见的机器学习算法衡量指标：分类精度、对数损失、混淆矩阵、曲线下面积(AUC)、F1分数、平均绝对误差、均方误差。

1. 分类精度

分类精度其实就是我们所说的准确性，是正确预测数占总样本数的比值。
$Accuracy=\frac{Number of Correct predictions}{Total number of predictions made}$
只有当属于每个类的样本数量相等时才有效。这个不难理解，假如我们的训练集中有90%的A类样本和10%的B类样本，然后我们的模型对A类样本表现的特别好，能准确的分类出A类样本，而不能分类出B类样本，则这个模型就能获得90%的分类精度。这给我们一种错觉，认为我们的模型表现的很好，但当在50%的A类样本和50%的B类样本的测试集中做测试时，测试精度就只有50%了。

2. 对数损失

对数损失适用于多类分类，他是通过惩罚错误分类来工作的，分类器必须为样本分配属于每个类的概率。假如有N个样本属于M类，则对数损失的计算如下：
LogarithmicLoss=−1N∑Ni=1∑Nj