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。

相关推荐
林泽毅39 分钟前
SwanLab Slack通知插件:让AI训练状态同步更及时
深度学习·机器学习·强化学习
Shockang1 小时前
机器学习的一百个概念(5)数据增强
人工智能·机器学习
机器学习之心2 小时前
区间预测 | QRTCN时间卷积神经网络分位数回归时间序列区间预测模型(Matlab完整源码和数据)
matlab·回归·cnn·分位数回归·时间卷积神经网络·qrtcn·区间预测模型
Hali_Botebie4 小时前
【蒸馏用损失】NCEloss介绍,大规模分类任务的损失函数
人工智能·分类·数据挖掘
蚍蜉撼树谈何易4 小时前
机器学习的定义及分类
人工智能·机器学习·分类
gang_unerry11 小时前
量子退火与机器学习(2):少量实验即可找到新材料,黑盒优化➕量子退火
人工智能·机器学习·量子计算·量子退火
Chaos_Wang_12 小时前
NLP高频面试题(二十八)——Reward model是如何训练的,怎么训练一个比较好的Reward model
人工智能·机器学习·自然语言处理
vonchenchen113 小时前
nara wpe去混响学习笔记
机器学习·音视频·音频·信息与通信·信号处理
邴越14 小时前
人工智能、机器学习经典计算机课程
人工智能·机器学习