机器学习模型的常见性能指标

 其中，( TP ) 表示真阳性（True Positive）、( TN ) 表示真阴性（True Negative）、( FP ) 表示假阳性（False Positive）、( FN ) 表示假阴性（False Negative）。

1.准确率（Accuracy）:

                       

2.精确率（Precision）:

                       

 3.召回率（Recall）：

                       

4.F1-score:

                      

5.ROC曲线和AUC：

       ROC（Receiver Operating Characteristic）曲线是一种用于评估分类模型性能的工具，它以分类阈值为变化的基础上绘制了真阳性率（True Positive Rate，TPR，也称为敏感度）和假阳性率（False Positive Rate，FPR）之间的关系。

       在ROC曲线中，横轴表示FPR，纵轴表示TPR。通过改变分类器的分类阈值，可以得到一系列不同的TPR和FPR数值。ROC曲线能够直观地展现出在各种阈值下模型的性能表现。

        通常情况下，ROC曲线下方的面积（AUC，Area Under the ROC Curve）被用来衡量分类器的性能。AUC的取值范围在0到1之间，AUC值越接近1，表示分类器性能越好；而当AUC值接近0.5时，则代表分类器的性能与随机猜测没有太大区别。

       ROC曲线和AUC值为我们提供了一种直观且客观的方法来评估分类模型的性能，特别适用于二分类问题。

6.平均准确率（mAP）：

          首先计算每个类别的精确率-召回率曲线下的面积，然后对所有类别的面积取平均。

7.均方误差（MSE）：

                                

          其中， 是真实值， 是预测值， 是样本数量。

8.R平方（R-squared）：

        R平方的计算方式较为复杂，它衡量了模型对目标变量方差的解释能力，其计算涉及实际值和预测值之间的差异。

9.对数损失（Log Loss）：

         对数损失通常用于概率预测问题，其计算公式比较复杂，涉及到真实标签和预测概率之间的对数计算。

10.举例计算

       在二分类问题中，TP（True Positives）、FP（False Positives）、TN（True Negatives）和FN（False Negatives）是混淆矩阵的四个基本组成部分。

• TP (True Positives): 实际为正类别，预测也为正类别的数量。
• FP (False Positives): 实际为负类别，预测却为正类别的数量。
• TN (True Negatives): 实际为负类别，预测也为负类别的数量。
• FN (False Negatives): 实际为正类别，预测却为负类别的数量。

    假设我们有以下数据：