大数据分析与人工智能实验室8.27培训记录

 

准确率是一个用于评估分类模型的指标。通俗来说，准确率是指我们的模型预测准确的结果所占的比例。正式点说，准确率的定义如下：

 

对于二元分类，也可以根据正类别和负类别按如下方式计算准确率：

 

其中，TP = 真正例，FP = 假正例，FN = 假负例。
让我们来试着计算一下以下模型的准确率，该模型将 100 个肿瘤分为恶性（正类别）或良性（负类别）：

 

准确率为 0.91，即 91% （总共 100 个样本中有 91 个预测正确）。这表示我们的肿瘤分类器在识别恶性肿瘤方面变现的非常出色，对吧？
实际上，只要我们仔细分析一下正类别和负类别，就可以更好地了解我们模型的效果。
在 100 个肿瘤样本中，91 个为良性（90 个 TN 和 1 个 FP），9 个为恶性（1 个 TP 和 8 个 FN）。
转自链接：https://learnku.com/articles/46406

损失函数用来评价模型的预测值和真实值不一样的程度，损失函数越好，通常模型的性能越好。不同的模型用的损失函数一般也不一样。

损失函数分为经验风险损失函数和结构风险损失函数。经验风险损失函数指预测结果和实际结果的差别，结构风险损失函数是指经验风险损失函数加上正则项。

常见的损失函数以及其优缺点如下：

1. 0-1损失函数(zero-one loss)

0-1损失是指预测值和目标值不相等为1， 否则为0:

特点：

(1)0-1损失函数直接对应分类判断错误的个数，但是它是一个非凸函数，不太适用.

(2)感知机就是用的这种损失函数。但是相等这个条件太过严格，因此可以放宽条件，即满足  时认为相等，

 

2. 绝对值损失函数

绝对值损失函数是计算预测值与目标值的差的绝对值

3. log对数损失函数

4. 平方损失函数