优达（Udacity）_19.评估指标

2.评估指标（evaluation metrics）

（1）机器学习研究的是，如何根据数据进行预测。

（2）务必要将数据分为训练集以及测试集，目的是对得到独立的数据集并以此对模型进行良好的泛化。

（3）针对不同的模型，选择相关的指标，完成对模型的评估。之后将介绍常见的模型误差来源，以及如何正确分解数据集

3.分类和回归

（1）分类指，根据未见过的样本进行预测，并对未知的实例进行分类，离散数据，给定类别。

（2）回归指，根据连续的数据进行预测

（3）问题决定着如何评估模型

4.

分类指标：多久模型进行一次准确或者不准确的预测

准确率：正确标识的点/所有的点，不适用于大数量数据集中，仅有少量想要的数据时，以及需要准确预测结果时。

精确率：

召回率：特定类，

F分数：

回归指标：预测值与实际值的差如何

平均绝对误差：

均方误差：

9.混淆矩阵（confusion metrics）

24.F1分数为精确率和召回率的加权平均值：

（精确率*召回率）/（精确率+召回率）*2（0-1，越大越好）

sklearn.metrics.f1_score(y_true, y_pred