机器学习中分类任务和回归任务中的评价指标

1 分类问题的评价指标

1.1 Accuracy

Accuracy(精度)，计算方法为：

                                                           

对于模型预测结果，判断正确记1，判断错误记0，所以Acc表示模型预测正确的样本数占样本总数的比例，取值为 0-1 ，越接近 1，说明模型的效果越好。就是错误率。

对输出的每个类别惩罚都一样，但是在很多实际问题中，我们认为做出某种错误判断代价会大一些。比如银行要对贷款人进行信用评估，这里会出现两种错误：①贷款人具有还款能力，但是被判断为没有还款能力；②贷款人没有还款能力，但是被判断为具有还款能力。如果贷款机构想尽量规避风险，那么在训练模型的时候就应该加大对第②种情况的惩罚。

1.2 Precision

首先说明一下混淆矩阵，下图截自西瓜书：

根据表格先琢磨一下  都表示什么意思，这里有点绕。

Precision(查准率 / 准确率)，计算方法为：

                                                            

查准率表示预测为正例的样本中，预测正确的比例。举个例子，我们模型对200个样本进行预测，预测结果是120个正例，80个反例。那么在我们预测为正例的这120个样本中，假设有100个为正例，20个为反例，那么查准率就是  。

1.3 Recall

Recall(查全率 / 召回率)，计算方法为：

                                                            

查准率表示预测为正例的样本中，预测正确的比例。还是上面例子，我们有200个样本，这20