机器学习常用的评价指标原理和代码

最近面试的时候,很多面试官问道了我项目中的一些评价指标的算法和原理,我觉得这确实也是一个很重要的内容,所以趁这个机会综合起来一块复习一下,在刷力扣的时候也不能忘记项目最常用的内容嘛。当然还包括一些深度学习的例如我项目中目标检测和nlp算法的我会在之后更新。

总体代码我已经放入代码库,大家自取哦,希望能给大家带来一些帮助。


一、回归任务评价指标

均方误差 (MSE)

原理:衡量预测值与真实值之间差异的平方的平均值,越小表示模型越准确。

公式:

根均方误差 (RMSE)

原理:RMSE是MSE的平方根,提供与数据原始单位相同的误差度量。

公式

平均绝对误差 (MAE)

原理:计算所有预测误差的绝对值并取平均,反映预测的准确性。

公式

R² (决定系数)

原理:表示模型解释的变异比例,值在0到1之间,越接近1表示模型效果越好。

公式

为残差平方和为总平方和

平均绝对百分比误差 (MAPE)

原理:计算误差的绝对值与真实值的比率的平均值,反映相对误差。

公式

最大误差 (Max Error)

原理:表示预测值与真实值之间的最大绝对误差,反映模型在最坏情况下的预测能力。

公式

二、分类任务评价指标

准确率 (Accuracy)

原理:正确预测的样本数量占总样本数量的比例。

公式

其中,TP为真阳性,TN为真阴性。

精确率 (Precision)

原理:预测为正类的样本中,真正为正类的比例。

公式

召回率 (Recall)

原理:实际为正类的样本中,正确预测为正类的比例。

公式

F1-score

原理:精确率和召回率的调和平均数,综合考虑模型的准确性和完整性。

公式

ROC曲线和AUC

原理:ROC曲线通过绘制真正率(TPR)和假正率(FPR)之间的关系来评估模型性能。AUC则表示曲线下面积,越大表示模型性能越好。

公式

TPR: (TPR(真正率)和召回率(Recall)在二分类任务中是同义词,通常可以互换使用。它们都表示模型在所有实际为正类的样本中,正确预测为正类的比例。)

FPR:

以上所有的机器学习相关的代码我都传到了我的一个仓库里,各位大佬有需求的话可以去我的仓库查看感谢感谢

相关推荐
阿坡RPA9 小时前
手搓MCP客户端&服务端:从零到实战极速了解MCP是什么?
人工智能·aigc
用户277844910499310 小时前
借助DeepSeek智能生成测试用例:从提示词到Excel表格的全流程实践
人工智能·python
机器之心10 小时前
刚刚,DeepSeek公布推理时Scaling新论文,R2要来了?
人工智能
算AI12 小时前
人工智能+牙科:临床应用中的几个问题
人工智能·算法
凯子坚持 c13 小时前
基于飞桨框架3.0本地DeepSeek-R1蒸馏版部署实战
人工智能·paddlepaddle
你觉得20513 小时前
哈尔滨工业大学DeepSeek公开课:探索大模型原理、技术与应用从GPT到DeepSeek|附视频与讲义下载方法
大数据·人工智能·python·gpt·学习·机器学习·aigc
8K超高清13 小时前
中国8K摄像机:科技赋能文化传承新图景
大数据·人工智能·科技·物联网·智能硬件
hyshhhh14 小时前
【算法岗面试题】深度学习中如何防止过拟合?
网络·人工智能·深度学习·神经网络·算法·计算机视觉
薛定谔的猫-菜鸟程序员14 小时前
零基础玩转深度神经网络大模型:从Hello World到AI炼金术-详解版(含:Conda 全面使用指南)
人工智能·神经网络·dnn
币之互联万物14 小时前
2025 AI智能数字农业研讨会在苏州启幕,科技助农与数据兴业成焦点
人工智能·科技