- 分类问题
混淆矩阵
真实情况 | 预测情况 | |
1 | 0 | |
1 | TP | FN |
0 | FP | TN |
准确率(Accuracy)
accuracy = (TP+TN)/(TP+FN+FP+TN)
精度(Precision)
precision = TP/(TP+FP)
召回率(Recall)
recall = TP/(TP+FN)
F1-score
F1=2*precision*recall/(precision+recall)
ROC
横坐标:FPR=FP/(FP+TN)
纵坐标:TPR=TP(TP+FN)=Recall
AUC
ROC曲线的下面积,值越大,则分类器性能越好;如果小于0.5,则分类器性能不如随机猜测。AUC的物理意义是:假设分类器的输出是样本属于正类的概率,则AUC的物理意义为,任取一样本,事件正样本的概率大于负样本概率所发生的概率。
- 回归问题
平均绝对误差MAE
均方误差
R平方值
表征回归方程在多大程度上解释了因变量的变化,或者说方程对观测值的拟合程度如何
参考:https://blog.csdn.net/u010579901/article/details/81359784