机器学习模型的性能度量

最新推荐文章于 2022-04-05 15:47:48 发布

RNGXiaohua

最新推荐文章于 2022-04-05 15:47:48 发布

阅读量418

点赞数

分类专栏：机器学习

本文链接：https://blog.csdn.net/qq_38768811/article/details/101315946

版权

本文详细介绍了机器学习模型的性能度量，包括错误率与精度、查准率与查全率、F1分数、ROC曲线与AUC，以及代价敏感错误率和代价曲线。这些指标在评估模型性能时起关键作用，帮助我们根据任务需求选择合适的评价标准。

摘要由CSDN通过智能技术生成

对于一个模型，使用不同的性能度量，有可能会导致不同的评判结果。评判一个模型是否为好的，不仅取决于算法和数据，还决定于任务需求；

1. 错误率和精度（最常用的两种性能度量）

错误率是分类错误的样本数占样本总数的比例；

精度 = 1 - 错误率；

以二分类问题为例，可将样例根据真实情况和学习器预测结果的组合分为真正例TP、假正例FP、真反例TN、假反例FN；

查准率P:

$P = \frac{TP}{TP+FP}$ （表示意义为预测结果为A的样本其中真实结果为A的样本的比例）

查全率R:

关注