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

文章目录

• 一、现象
• 二、解决方案
• • 回归任务的评价指标：
  • • [均方误差 (MSE):](#均方误差 (MSE):)
    • [平均绝对误差 (MAE):](#平均绝对误差 (MAE):)
  • 分类任务的评价指标：
  • • [准确率 (Accuracy):](#准确率 (Accuracy):)
    • [混淆矩阵 (Confusion Matrix):](#混淆矩阵 (Confusion Matrix):)
    • [精确度 (Precision):](#精确度 (Precision):)
    • [召回率 (Recall):](#召回率 (Recall):)
    • [F1分数 (F1 Score):](#F1分数 (F1 Score):)
    • [ROC曲线 (Receiver Operating Characteristic Curve):](#ROC曲线 (Receiver Operating Characteristic Curve):)
    • [AUC值 (Area Under the ROC Curve):](#AUC值 (Area Under the ROC Curve):)
    • [对数损失 (Log Loss) 或 交叉熵损失 (Cross-Entropy Loss):](#对数损失 (Log Loss) 或 交叉熵损失 (Cross-Entropy Loss):)

---

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):

平均绝对误差 (MAE):

分类任务的评价指标：

准确率 (Accuracy):

Accuracy = 总样本数 / 正确分类的样本数

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):

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。