机器学习的模型评估~~

前言：⼀般情况来说，单⼀评分标准无法完全评估⼀个机器学习模型。只用good和bad偏离真实场景去评估某个模型，都是一种欠妥的评估方式。

分类模型常用的评估方法

回归模型常用的评估方法

精准解释什么是误差、偏差、方差

误差（error）：学习器的实际预测输出与样本的真实输出之间的差异称为“误差”。
偏差（Bias）：衡量模型拟合训练数据的能⼒，Bias反映的是模型在样本上的输出与真实值之间的误差，即模型本⾝的精准度。
方差（Variance）：反映的是模型每⼀次输出结果与模型输出期望之间的误差，即模型的稳定性。

• Error = Bias + Variance + Noise，Error反映的是整个模型的准确度

经验误差和泛化误差

经验误差（empirical error）：也叫训练误差（training error），模型在训练集上的误差。
泛化误差（generalization error）：模型在新样本集（测试集）上的误差称为“泛化误差”。

图解欠拟合、过拟合

• 欠拟合的模型具有高偏差，过拟合的模型具有高方差。
• 横轴为训练样本数量，纵轴为误差：
• 横轴为模型复杂程度，纵轴为误差：
  
• 横轴为正则项系数，纵轴为误差：