机器学习拟合效果评价_机器学习效果评价标准

混淆矩阵、精确率

以上两种衡量指标是针对二元分类器
准确率(), 精确率(Precision), 召回率(Recall)和
一、分类精准度的缺陷
　1）评论算法的好坏

• 回归问题：MSE、MAE、RMSE、R^2（以为最好的标准）；
• 分类问题：分类准确度（score() 函数）；
• 分类算法的评价要比回归算法的评价标准复杂的多；
• 评论分类算法好坏的指标，有多种，具体选择评价指标时要根据数据和应用场景而定；

　2）分类准确度类评价分类算法的好坏存在问题

• 实例说明
• 任务：搭建一个癌症预测系统，输入一个人体检的信息指标，可以判断此人是否有癌症；
• 思路：收集大量的数据，训练机器学习算法模型，进而完成癌症预测系统；
• 疑问：如果该系统的预测准确度为 99.9% ，该系统是好？是坏？
• 情景1：如果该种癌症在人群中产生的概率只有 0.1%，那么即使随便一个系统，预测所有人都是健康，该系统也可达到 99.9% 的准确率