机器学习模型性能的常用的评估指标总结1-12

评估指标的总结

机器学习模型评价的指标有很多，本文给出了其中一些主要的指标：

1. 准确率（Accuracy）：正确预测的样本数占总样本数的比例。
   https://editor.csdn.net/md/?articleId=135735913

2. 精确率（Precision）：正真（True Positive，TP）样本占所有预测为正（TP和FP）样本的比例，体现了模型对正样本的识别能力。
   https://editor.csdn.net/md/?articleId=135736033

3. 召回率（Recall）：正真（True Positive，TP）样本占所有真实为正（TP和FN）样本的比例，体现了模型发现正样本的能力。
   https://editor.csdn.net/md/?articleId=135736043

4. F1值：精确率和召回率的调和平均值，同时考虑了精确率和召回率。
   https://editor.csdn.net/md/?articleId=135736055

5. ROC-AUC：ROC曲线下的面积，ROC曲线是真正率（True Positive Rate，TPR）与假正率（False Positive Rate，FPR）的函数。AUC越大，模型的分类性能越好。
   https://editor.csdn.net/md/?articleId=135736072

6. PR-AUC：精度-召回曲线下的面积，它专注于精确性和召回率之间的权衡，更适合不平衡的数据集。
   https://editor.csdn.net/md/?articleId=135736138

7. FPR/TNR：FPR衡量模型误报能力，TNR衡量模型正确识别负样本的能力。
   https://editor.csdn.net/md?articleId=135820980

8. 马修斯相关系数（MCC）：一个综合考虑了真阳性、真阴性、假阳性和假阴性关系的度量值，提供了二元分类质量的平衡度量。
   https://editor.csdn.net/md/?articleId=135821005

9. 科恩卡帕系数（cohen’s kappa): 评估分类任务模型性能的重要工具，能准确测量预测与标签的一致性，并校正偶然一致性，尤其在多个评分者场景中更具优势。
   https://editor.csdn.net/md/?articleId=135823213

10. 轮廓系数（Silhouette Coefficient）： 衡量样本与其分配的簇之间的相似度。

11. 互信息（Mutual Information）： 衡量两个聚类之间的相似度。

12. 调整兰德指数（Adjusted Rand Index）： 衡量两个聚类之间的相似度，考虑了偶然的匹配。

以上各个指标各有特点，适用于不同的问题场景。在实际应用中，可能需要结合多个指标来全面评价模型的性能。