机器学习 评估指标 总结

1. 前言

众所周知，针对于不同机器学习问题，评估指标决定了我们如何衡量模型的好坏。在机器学习中，
分类模型常见的评估指标有：准确率(Accuracy)、精准率(Precision)、召回率(Recall)、F1-score、ROC曲线、AUC值。
回归模型常见的评估指标有：MAE、MSE。
下面主要介绍：

• 二分类模型的常见指标
• 多分类模型的常见指标

2. 二分类模型的常见指标

在二分类问题中，假设高该样本一共有两种类别：Positive和Negative。当分类器预测结束，我们可以制造出混淆矩阵(confusion matrix)。其中分类结果为如下几种：

• True Positive (TP): 把正样本成功预测为正。
• True Negative (TN): 把负样本成功预测为负。
• False Positive (FP): 把负样本错误地预测为正。
• False Negative (FN): 把正样本错误地预测为负。
  在二分类模型中，

一、Accuracy(准确率)