本文详细介绍了机器学习中用于评估分类和回归任务性能的指标。对于分类问题，重点讲解了混淆矩阵、准确率、精确率、召回率、F1分数以及AUC-ROC曲线的概念和重要性。在回归任务中，讨论了平均绝对误差和平均平方误差作为衡量标准。通过实例和对比，阐述了ROC曲线在样本不平衡场景下的优势。
文章目录
1 分类
1.1 混淆矩阵
- True Positive(真正, TP)：将正类预测为正类数.
- True Negative(真负 , TN)：将负类预测为负类数.
- False Positive(假正, FP)：将负类预测为正类数 → 误报 (Type I error).
- False Negative(假负 , FN)：将正类预测为负类数 → 漏报 (Type II error).
关系如下表所示：
| 预测值=1 | 预测值=0 | |
|---|---|---|
| 真实值=1 | TP | FN |
| 真实值=0 | FP | TN |
1.1.1 准确率 Accuracy, ACC
A C C ( A c c u r a c y ) = T P + T N T P + T N + F P + F N ACC(Accuracy) = \frac{TP+TN}{TP+TN+FP+FN} ACC(Accuracy)=TP+TN+FP+FNTP+TN
注：在正负样本不平衡的情况下，准确率这个评价指标有很大的缺陷。比如在互联网广告里面，点击的数量是很少的，一般只有千分之几，如果用acc，即使全部预测成负类（不点击）acc 也有 99% 以上，没有意义
1.1.2 精确率 或 查准率 Precision, P
P = T P T P + F P P=\frac{TP}{TP+FP} P=TP+FPTP
注： 精确率(precision)和准确率(accuracy)是不一样的
1.2.3 召回率 或 查全率 Recall, R
R = T P T P + F N R=\frac{TP}{TP+FN} R=TP+FNTP
1.2.4 F1 测量值
2 F 1 = 1 P + 1 R F 1 = 2 T P 2 T
最低0.47元/天 解锁文章
401
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
