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
吕永强1 小时前
人工智能与环境:守护地球的智能防线
人工智能·科普
兮℡檬,1 小时前
房价预测|Pytorch
人工智能·pytorch·python
青春不败 177-3266-05202 小时前
MATLAB近红外光谱分析技术及实践技术应用
随机森林·机器学习·支持向量机·matlab·卷积神经网络·遗传算法·近红外光谱
白-胖-子6 小时前
深入剖析大模型在文本生成式 AI 产品架构中的核心地位
人工智能·架构
想要成为计算机高手7 小时前
11. isaacsim4.2教程-Transform 树与Odometry
人工智能·机器人·自动驾驶·ros·rviz·isaac sim·仿真环境
NeoFii8 小时前
Day 22: 复习
机器学习
静心问道8 小时前
InstructBLIP:通过指令微调迈向通用视觉-语言模型
人工智能·多模态·ai技术应用
宇称不守恒4.08 小时前
2025暑期—06神经网络-常见网络2
网络·人工智能·神经网络
小楓12018 小时前
醫護行業在未來會被AI淘汰嗎?
人工智能·醫療·護理·職業
数据与人工智能律师9 小时前
数字迷雾中的安全锚点:解码匿名化与假名化的法律边界与商业价值
大数据·网络·人工智能·云计算·区块链