解决方案:机器学习中,回归及分类常用的模型评估指标有哪些


一、现象

在做模型建模做模型评估的时候,会用到模型评估指标,所以整理一下

二、解决方案

在机器学习中,回归和分类是两种常见的任务类型,它们各自有不同的评价指标来衡量模型的性能。

回归任务的评价指标:

均方误差 (MSE):

在这里插入图片描述

平均绝对误差 (MAE):

在这里插入图片描述

分类任务的评价指标:

准确率 (Accuracy):

Accuracy = 正确分类的样本数 / 总样本数

混淆矩阵 (Confusion Matrix):

一个表格,用于显示实际类别与模型预测类别之间的关系。

精确度 (Precision):

Precision = 真正例 / (真正例 + 假正例)
其中 TP 是真正例,TN 是真负例,FP 是假正例,FN 是假负例。

召回率 (Recall):

Recall = 真正例 / (真正例 + 假负例)
其中 TP 是真正例,TN 是真负例,FP 是假正例,FN 是假负例。

F1分数 (F1 Score):

F1 = (2 × Precision × Recall) / (Precision + Recall)

ROC曲线 (Receiver Operating Characteristic Curve):

绘制真正例率(TPR)和假正例率(FPR)的曲线。
真正例率(TPR),也称为召回率或灵敏度,计算公式为:TPR = TP / ( TP + FN )
其中TP是真正例的数量,即模型正确预测为正类的样本数;FN是假负例的数量,即模型错误预测为负类的正类样本数。
假正例率(FPR),计算公式为:FPR = FP / ( FP+TN )
其中FP是假正例的数量,即模型错误预测为正类的负类样本数;TN是真负例的数量,即模型正确预测为负类的样本数。

AUC值 (Area Under the ROC Curve):

ROC曲线下的面积,用于衡量模型的整体性能。
AUC值越接近1,表示模型的性能越好;AUC值为0.5时,表示模型的性能等同于随机猜测。

对数损失 (Log Loss) 或 交叉熵损失 (Cross-Entropy Loss):

在这里插入图片描述

这些指标可以帮助我们了解模型在不同方面的表现,例如偏差、方差、过拟合和欠拟合等。在实际应用中,通常会根据具体问题选择最合适的评价指标。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值