性能度量:是衡量模型泛化能力的数值评价标准,反应了当前问题(任务需求)。不同的性能度量可能会导致不同的评判结果。
比如:回归(regression)任务常用均方误差
-
分类问题的常用性能度量
-
错误率
-
精度
-
二分类混淆矩阵
真实情况 | 预测为正 | 预测为反
---------------|--------------|--------------|
正例 | TP(真正例) | FN(假反例)
反例 | FP(假正例) | TN(真反例)- 查准率(准确率):P=TP/(FP+TP)
- 查全率(召回率):R=TP/(TP+FN)
- F1: F1=2PR/(P+R)=(2*TP)/(样例总数+TP-TN)
-
AUC&&ROC
-
-
回归问题的常用度量
-
- MAE(Mean Abrolute Error):平均绝对误差
- MSE ( Mean Square Error ) :均方误差
- RMSR ( Root Mean Sqare Error ):均方根误差
- R平方 -
总结
-
机器学习目标:拿到有泛化能力的“好模型”
-
机器学习评估方法:留出法,交叉验证法,自助法
-
机器学习的评估度量标准:
分类问题—错误率、精度、召回率/准确率、混淆矩阵、FI值,AUC
回归问题—MAE、MSE、RMSE、R平方