机器学习的评价指标

最新推荐文章于 2024-08-05 23:56:13 发布
最新推荐文章于 2024-08-05 23:56:13 发布
阅读量435 收藏
点赞数
分类专栏： 机器学习 文章标签： 机器学习 python 数据分析
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ggbooo/article/details/124249206
版权

文章目录

损失函数

我们通常损失函数衡量模型模型预测的好坏，损失函数就是用来表现预测与实际数据的差距程度



回归问题

回归问题所对应的损失函数为L1损失函数和L2损失函数，二者度量了模型估计值与观测值之间的差异：

在这里插入图片描述
对于回归问题我们也可以用mse，mae，rmse等评价指标来衡量模型的好坏

m为样本长度

1:MSE（Mean Square Error:均方误差）

在这里插入图片描述

2:RMSE（Root Mean Square Error:均方根误差）

在这里插入图片描述

3:MAE（Mean Absolute Error：平均绝对误差）

在这里插入图片描述


分类问题

最简单的就是通过准确率，其次有交叉熵等函数

二分类问题：

在这里插入图片描述

多分类问题：

在这里插入图片描述

ggbooo
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
回归类（预测）模型评价指标（MAE、MSE、RMSE、R平方、MAPE）
qq_41968276的博客
12-26 6129
Regressionmetrics from sklearn.metrics import mean_absolute_error from sklearn.metrics import mean_squared_error from sklearn.metrics import r2_score from math import sqrt import numpy as ...
机器学习-分类评价指标.pdf
07-27
分类评价指标用于评估分类模型的性能，常用的分类评价指标包括以下几种： 准确率（Accuracy）：准确率是分类正确的样本数与总样本数之比。它适用于数据类别分布均衡的情况，但对于不平衡数据集来说可能会给出误导性...
机器学习常见评价指标
土豆同学的博客
06-17 3668
在建模的时候，不论是一般机器学习还是深度学习，都要有评价指标进行模型效果的衡量，评价指标是对于一个模型效果的数值型量化。一般来说，评价指标分为分类问题和回归问题，本文分别介绍了两类问题的评价指标。...
机器学习中的预测评价指标MSE、RMSE、MAE、MAPE、SMAPE
热门推荐
车手只需要车和手，压力来自轮胎
12-21 4万+
你一定要知道的预测评价指标MSE、RMSE、MAE、MAPE、SMAPE！！！
机器学习评价指标
qq_41870170的博客
07-21 2940
机器学习：准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC曲线、PR曲线 以下第一部分内容转载自：机器学习算法中的准确率(Precision)、召回率(Recall)、F值(F-Measure)是怎么一回事 摘要： 数据挖掘、机器学习和推荐系统中的评测指标—准确率(Precision)、召回率(Recall)、F值(F-Measure)简介。 引言： 在机器学习、数据挖掘、推荐系统完成建模之后，需要对模型的效果做评价。 业内目前常常采用的评价指标有准确率(Precis
机器学习评价指标AUC计算公式
qq_36767053的博客
06-29 3842
1.什么是AUC？ AUC（are under curve)是一个模型的评价指标，用于分类任务。 那么这个指标代表什么呢？这个指标想表达的含义，简单来说其实就是随机抽出一对样本（一个正样本，一个负样本），然后用训练得到的分类器来对这两个样本进行预测，预测得到正样本的概率大于负样本概率的概率。 2.如何计算AUC？ 方法一 在有M个正样本,N个负样本的数据集里。一共有MN对样本（一对样本即，一个正样本与一个负样本）。统计这MN对样本里，正样本的预测概率大于负样本的预测概率的个数。 这里第一个条件应该为P
【机器学习评价指标 准确率 召回率 F1-score F2-score】
qq_41554955的博客
10-05 1902
机器学习评价指标
机器学习评价指标 ROC与AUC 的理解和python实现
张渊猛的博客
08-15 2万+
本文所讲内容的前提是一个二分类的任务，多分类任务可以经过简单扩展用转化成二分类。 评估一个二分类的分类器的性能指标有：准确率、查准率（precision）、查全率（recall）、F1值以及ROC和AUC等。前面几个比较直观，而ROC和AUC相对抽象一点，本文将重点放在后者。因为本文曾一度没搞清ROC，所以这次彻底搞明白。 从混淆矩阵说起 首先一个用分类器预测完后，我们会得到一个二分类的混淆...
机器学习-评价指标总结
qq_22247993的博客
03-09 2209
机器学习评估指标总结
2021-12-12-机器学习评价指标总结
weixin_44719529的博客
12-12 2245
模块学习
机器学习二分类问题评价指标1
08-04
在机器学习领域，特别是在二分类问题中，评估模型性能是非常关键的步骤。下面将详细讨论三个重要的评价指标：Accuracy（准确率）、F1-score（F1分数）以及ROC曲线和AUC（曲线下面积）。 1. Accuracy（准确率） 准确...
机器学习之评价分类结果
01-20
在机器学习领域，尤其是分类问题中，评价模型的性能至关重要。本文将深入探讨几种常用的评估分类结果的方法，包括混淆矩阵、精准率、召回率、F1分数、precision-recall曲线、精准率-召回率平衡、TPR（真正例率）与...
【机器学习】TensorFlow和PyTorch的联系与区别以及针对小白哪个更适合入门
最新发布
m0_49243785的博客
08-05 513
对于初学者而言，PyTorch通常是一个更好的选择，因为它更易于理解和上手，而TensorFlow则可能更适合那些对生产部署和大规模应用有需求的用户
二十八、【人工智能】【机器学习】【PyTorch】- 手写体识别
技术分享、程序员趣事、行业趋势等内容！
08-05 699
PyTorch是由Facebook的人工智能研究实验室开发的一个开源机器学习库。它提供了动态计算图，使得构建和调整复杂的深度学习模型变得直观而高效。PyTorch的灵活性和易用性使其成为学术界和工业界广泛使用的工具之一。# 定义模型nn.ReLU(),nn.ReLU(),nn.ReLU(),# 定义损失函数和优化器。
Python 【机器学习】 进阶 之 【实战案例】MNIST手写数字分类处理 之 [ 训练二分类器 ] [ 性能评估 ] [ 准确率与召回率 ] | 1/2
仙魁XAN
08-05 435
Python是一种跨平台的计算机程序设计语言。是一种面向对象的动态类型语言，最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越多被用于独立的、大型项目的开发。Python是一种解释型脚本语言，可以应用于以下领域： Web 和 Internet开发、科学计算和统计、人工智能、教育、桌面界面开发、软件开发、后端开发、网络爬虫。Python 机器学习是利用 Python 编程语言中的各种工具和库来实现机器学习算法和技术的过程。
机器学习第五章-神经网络
wastec的博客
08-05 780
基于梯度的搜索是使用最广泛的参数寻优方法，梯度下降法的主要思想就是沿着负梯度方向去搜索最优解，负梯度方向是函数值下降最快的方向，若迭代到某处的梯度为0，则表示达到一个局部最小，参数更新停止。感知机只有输出层神经元进行激活函数处理，即只拥有一层功能神经元，其学习能力非常有限.所以应该采用多层功能神经元，如下图所示，输出层与输入层之间有一层神经元，被称为隐居或隐含层，隐含层和输出层神经元都是拥有激活函数的功能神经元.误差逆传播算法是更强大的学习算法，BP算法基于梯度下降策略，以目标的负梯度方向对参数进行调整。
线性代数中的基与向量空间和线性变换问题的分类
weixin_30777913的博客
08-05 214
基变换是指向量空间中的基向量发生变化时，向量在该空间中的坐标也会相应发生变化。向量空间的基是其一个特殊的子集，该子集中的元素称为基向量，通过线性组合可以表示向量空间中的任何向量。无限维向量空间：与有限维向量空间相对，无限维向量空间不存在有限个数的基。欧式空间：欧式空间不仅是一个向量空间，还定义了向量的内积，从而可以计算向量的长度和夹角。有限维向量空间：如果向量空间中存在一个有限个数的基，则称该向量空间为有限维向量空间。线性空间：通常，线性空间就是向量空间的另一种称呼，它强调了向量之间的线性组合关系。
基于机器学习和深度学习的时间序列分析和预测（Python）
weixin_39402231的博客
08-05 141
传统的时间序列预测方法大多是通过分析时间序列数据符合什么样的分布，或者说什么样的模型对此类数据拟合效果好等先验知识来建立数学模型，后进行参数求解来解决问题，然而随着近些年时间序列数据越来越呈现出大规模、复杂度高等特点，利用传统方法来对时序数据进行分析建模越来越难以达到一个让人理想的效果。
机器学习评价指标mape
09-24
MAPE（Mean Absolute Percentage Error）是一种机器学习评价指标，用于衡量预测结果的准确性。它计算的是预测值与实际值的百分比差异的平均值。MAPE的计算公式如下： MAPE = (1/n) * Σ(|预测值-实际值|/|实际值|) * 100 其中，n表示样本数量，Σ表示求和。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值