大模型 | 机器学习最强总结（一）分类问题评估指标

机器学习的评估指标是用于衡量模型在特定任务中的性能，帮助我们判断模型是否在测试集上有效，并指导模型的优化和调整。

评估指标因任务的不同而有所区别，常见的任务包括分类、回归等。

一、分类问题评估指标

分类问题是指将输入样本分类为某个离散标签的任务。

常见的评估指标有以下几种。

1. 混淆矩阵

顾名思义，混淆矩阵给出一个 N*N 矩阵作为输出，其中 N 是目标类的数量。

混淆矩阵是分类器做出的正确和错误预测数量的表格总结。

该矩阵将实际值与机器学习模型的预测值进行比较。

1. 真正例（True Positive, TP）：模型正确预测为正例的数量。
2. 假正例（False Positive, FP）：模型错误预测为正例的数量。
3. 真负例（True Negative, TN）：模型正确预测为负例的数量。
4. 假负例（False Negative, FN）：模型错误预测为负例的数量。

2. 准确率 (Accuracy)

准确率是指模型预测正确的样本数占总样本数的比例。

公式

适用场景

当各类别样本数量较为均衡时，准确率是一个好的评估指标。

from sklearn.metrics import accuracy_score  
  
y_true = [0, 1, 0, 1]  
y_pred = [0, 0, 0, 1]  
accuracy = accuracy_score(y_true, y_pred)  
print("Accuracy:", accuracy)

3精确率 (Precision)

精确率是指被模型预测为正类的样本中，真正为正类的比例。

公式

适用场景

当误将负类预测为正类的代价较高时（如垃圾邮件分类）。

from sklearn.metrics import precision_score  
  
y_true = [0, 1, 0, 1]  
y_pred = [0, 0, 0, 1]  
precision = precision_score(y_true, y_pred)  
print("Precision:", precision)

4. 召回率 (Recall)

召回率是指正类样本中被模型正确预测为正类的比例。

公式

适用场景

当误将正类预测为负类的代价较高时（如疾病检测）。

from sklearn.metrics import recall_score  
  
y_true = [0, 1, 0, 1]  
y_pred = [0, 0, 0, 1]  
recall = recall_score(y_true, y_pred)  
print("Recall:", recall)

5. 特异性

特异性是分类模型对负类样本的识别能力的度量，它表示所有真实为负类的样本中，模型正确识别为负类的比例。

公式

from sklearn.metrics import confusion\_matrix  
  
y\_true = \[0, 1, 0, 1\]  
y\_pred = \[0, 0, 0, 1\]  
tn, fp, fn, tp = confusion\_matrix(y\_true, y\_pred).ravel()  
specificity = tn / (tn + fp)  
print("Specificity:", specificity)

6. F1-Score

F1-Score 是精确率和召回率的调和平均，用于平衡两者之间的影响。

适用场景

当需要在精确率和召回率之间找到平衡点时，使用 F1-Score。

from sklearn.metrics import f1_score  
  
y_true = [0, 1, 0, 1]  
y_pred = [0, 0, 0, 1]  
f1 = f1_score(y_true, y_pred)  
print("F1 Score:", f1)

7. AUC-ROC

AUC (Area Under the Curve) 表示 ROC 曲线下的面积，AUC 越高，模型越好。下图显示了 ROC 曲线，y 轴为 TPR（真阳性率），x 轴为 FPR（假阳性率）。

---

最后分享

AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。

学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。

这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

5. 大模型面试题

面试，不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方CSDN官方认证二维码，免费领取【保证100%免费】

如有侵权，请联系删除。