机器学习的评价指标¶

回归任务的评价指标¶

• 平均绝对误差（MAE）
• 均方误差（MSE）
• 均方根误差（RMSE）

分类任务¶

• 准确率 / 正确率：预测正确的比例
  • 这里的正确既包括：对的预测为对的，也包括错的预测为错的
  • 错误率：$1 - $ 正确率
• 精确率 / 精度：预测为正例的中，有多少 确实 正例
• 召回率：找到的 真实正例 占 所有正例 的比例
• \(F_{\beta}\)：精确率和召回率的加权调和平均

ROC 曲线¶

• 模型在二分类的时候，会输出一个 概率 ，需要划定 阈值
  • 一般通过这个阈值来确定是 正例还是负例
  • ROC 曲线就是取不同的阈值，统计 真正例率和假正例率 ，作为横纵坐标
• 真正例率：
  • 也就是 召回率 ，找到的真实正例占所有正例的比率
  • 所有真实为正的里面，被正确判断为正的
• 假正例率：
  • 找到的 真实假例（也就是假正例） 占所有假例的比率
  • 所有真实为负的里面，错判为正的
• 一般随着阈值：
  • 增加：假正例率减少，真正例率也减少
  • 减少：假正例率增加，真正例率也增加

• AUC：
  • ROC 曲线下的面积大小
  • AUC 越大越好
• AUC 的另一种解释：
  • 随机选取一对正负样本，正样本 预测值 比负样本高的概率
  • 计算方法：