一、评估指标
1、分类评估指标
- 混淆矩阵
真实类别\预测类别 | 正例 | 负例 |
---|---|---|
正例 | TP | FN |
负例 | FP | TN |
- 准确率:分类正确的样本占总样本的比例,当样本比例非常不均衡时,占比大的类别往往成为影响准确率的最主要因素。
- 精确率(查准率、Precision)与召回率(查全率、Recall):精确率表示的是分类正确的正样本个数占分类器判断为正样本总数的比例,召回率表示的是分类正确的正样本个数占真实正样本总数的比例。
P = T P T P + F P , R = T P T P + F N P=\frac{TP}{TP+FP}, R=\frac{TP}{TP+FN} P=TP+FPTP,R=TP+FNTP
- F1值:精确率和召回率的调和均值。
F 1 = 2 ∗ P ∗ R P + R F1=\frac{2*P*R}{P+R} F1=P+R2∗P∗R
F B = ( 1 + B 2 ) ∗ P ∗ R ( B 2 ∗ P ) + R F_B=\frac{\left(1+B^2\right)*P*R}{\left(B^2*P\right)+R} FB=(B2∗P)+R(1+B2)∗P∗R
2、回归评估指标
- 均方误差(MSE):
M S E = 1 m ∑ i = 1 m ( f ( x i ) − y i ) 2 MSE=\frac{1}{m}\sum_{i=1}^{m}\left(f(x_i)-y_i\right)^2 MSE=m1i=1∑m(f(xi)−yi)2 - 平方根误差(RMSE):如果存在个别偏离程度非常大的离群点时,即使离群点非常少,也会让RMSE变得很差。解决方法: 1. 数据预处理去掉噪声,2. 将噪声加到模型中,模型需要更强的能力,3. 更换评估指标,例如MAPE将每个点的误差进行了归一化,降低了个别离群点对评估指标带来的影响。
R M S E = 1 m ∑ i = 1 m ( f ( x i ) − y i ) 2 RMSE=\sqrt{\frac{1}{m}\sum_{i=1}^{m}\left(f(x_i)-y_i\right)^2} RMSE=m1i=1∑m(f(xi)−yi)2 - 平均绝对误差(MAE):
M A E = 1 m ∑ i = 1 m ∣ f ( x i ) − y i ∣ MAE=\frac{1}{m}\sum_{i=1}^{m}|f(x_i)-y_i| MAE=m1i=1∑m∣f(xi)−yi∣ - 平均绝对百分比误差(MAPE):
M A P = ∑ i = 1 n ∣ f ( x i ) − y i f ( x i ) ∣ ∗ 100 n MAP=\sum_{i=1}^{n}|\frac{f(x_i)-y_i}{f(x_i)}|*\frac{100}{n} MAP=i=1∑n∣f(xi)f(xi