本文深入探讨了深度学习模型的评估指标，包括分类器与回归模型的评估标准，如精度、召回率、F1值、ROC曲线、AUC、Log Loss等。此外，还详细介绍了多分类情况下的评估方法，如ROC-AUC、P-R曲线和F1分数，并讲解了在实际应用中如何选择和调优模型。文章通过案例分析了如何在电力窃漏电预测中运用这些指标来比较决策树与神经网络模型的性能。
目录
前言
在我们的日常工作学习中，行为会产生一系列的结果，那么如何评价结果的好坏程度呢？评价指标在此就发挥了作用。模型的评价指标就是用来评价模型训练的好坏程度。
有时候“阳性”、“真”、“正类”、“1” 指的是一回事，“阴性”、“假”、“负类”、“0”指的也是一回事。例如模型对这个样本的预测结果为 1，可以认为模型对这个样本的预测结果为真、或者为正类、或者为阳性，其实说的都是一个意思。
算法原理
为什么要评估模型?
一句话,想找到最有效的模型.模型的应用是循环迭代的过程,只有通过持续调整和调优才能适应在线数据和业务目标.这跟我们买鞋子有一比,鞋子是模型,左挑右选,好吗,选了个合适的,可是这脚,它不断有变化,怎么办,持续调呗.
选用模型开始都是假设数据的分布是一定的,然而数据的分布会随着时间的移动而改变，这种现象称为分布漂移（Distribution Drift）。验证指标可以对模型在不断新生
订阅专栏 解锁全文
1657
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
