分类和回归的评价指标

分类
精确率是自分类正确的正样本个数占分类器判定为正样本的样本个数的比例 。
召回率是指分类正确的正样本个数占真正的正样本个数的比例 。

查准率Precision：

查全率Recall：

F-Score，即precision和recall的调和平均值，更接近其中较小的那一个值：

正确率Accuracy：


ROC，主要用于画ROC曲线（横坐标为FPR，纵坐标为TPR）。
AUC：ROC曲线下的面积，越接近1代表分类效果越好
ROC曲线的两种画法
方法一：一组预测结果根据设置不同阈值得到ROC曲线，阈值为正无穷时，模型把全部样本预测为负例， FPR 和 TPR 都为 0 ，因此曲线的第一个点的坐标就是（ 0 , 0 ） 。 当把阈值为 0.9 时 ，得到一组 FPR 和 TPR， 对应 ROC 曲线上的某点。依次调整阈值，直到画出全部的关键点 2，再连接关键点即得到最终的 ROC 曲线 如图所示 。

方法二：更直观地绘制 ROC 曲线的方法 。 首先，根据标签 统计出正负样本的数量 ，假设正样本数量为 P ， 负样本数量为 N;把横轴的刻度间隔设置为 1 /N ， 纵轴的刻度间隔设置为 1 /P;再根据模型输出的预测概率对样本进行排序（从高到低） ；依次遍历样本，同时从零点开始绘制 ROC 曲线，每遇到一个正样本就沿纵轴方向绘制一个刻度间隔的曲线，每遇到一个负样本就沿横轴万向绘制一个刻度间隔的曲线 3，直到遍历完所有样本，曲线最终停在（ 1,1 ）这个点，整个 ROC 曲线绘制完成 。

ap值是PR曲线的面积
设置一个从高到低的阈值y，大于等于阈值y的被我正式标注为正例，小于阈值y的被我正式标注为负例。
显然，我设置n个阈值，我就能得到n种标注结果，评判我的模型好不好使。
比如阈值0.9，只有第一个样本被我判断为正例，那么我的查准率precision就是100%,但是查全率recall就是10%。
阈值0.1，所有样本都被我判断为正例，查全率是100%，查准率就是50%
最后我能得到若干对precision，recall值(P,R) : (1, 0.1),… ,(0.5,1),将这若干对花在图上，再连接起来就是这个pr曲线了
pr曲线下的面积就是ap值。
每类目标有一个ap值，计算每类ap的平均值就是map。

回归
误差平方和SSE：

一般情况下， RMSE 能够很好地反映回归模型预测值与真实值的偏离程度 。 但在实际问题中，如果存在个别偏离程度非常大的离群点时，即使离群点数量非常少 也会让 RMSE 指标变得很差 。此时可以用比 RMSE 的鲁棒性更好的指标，比如平均绝对百分比误差（ Mean Abso lute PercentError, MAPE ） ， 官定义为：

R-Square（决定系数)

越接近1越好