python 怎么画损失函数和迭代次数的关系_损失函数VS评估指标

在利用机器学习模型解决问题时，涉及到模型构建以及模型评估时，存在两个重要的概念：

损失函数

评估指标

本文对二者做一简要的明晰。

损失函数

机器学习多数算法都需要最大化或最小化一个函数，即“目标函数”。一般把最小化的一类函数称为“损失函数”。

损失函数用于模型构建中(部分简单模型构建不需要损失函数，如KNN)，所以它用于指导模型的生成。

回归类型常用损失函数

平均绝对值损失(MAE，L1损失)

平方损失(MSE，L2损失)

Huber损失

分类类型常用损失函数

交叉熵损失

指数损失

评估指标

评估机器学习算法模型，有些问题中损失函数可以直接作为评价指标(如回归问题中，均方误差(MSE)既可以用来指导模型构建，又可以在模型完成后评估模型性能)

评估指标用于模型构建后，所以它用于评价模型性能。

回归类型常用评估指标

平均绝对误差(Mean Absolute Error)

均方误差(Mean Square Error)

根均方误差(Root Mean Square Error)

R Squared

分类类型常用评估指标

混淆矩阵

Accuracy(准确率)

Precision(精准率)

Recall(召回率)

ROC-AUC

P-R曲线

小例子

假设某同学备战高考，他给自己定下了一个奋斗的方向，即每周要把自己的各科总成绩提高5分；经过多年的准备，终于在高